什么网站做品牌特卖,票务网站开发端口,酒盒包装设计公司,网站宽屏背景在将 YOLOv5 模型从 ONNX 转换为模型时遇到“Unsupported slice step!”错误#xff0c;这通常是因为 当前不支持某些特定的 ONNX 操作或参数配置#xff0c;尤其是带有非标准切片步长的操作。
解决方案 修改模型或代码: 尝试修改模型中的切片操作#xff0c;使其使用 支持…在将 YOLOv5 模型从 ONNX 转换为模型时遇到“Unsupported slice step!”错误这通常是因为 当前不支持某些特定的 ONNX 操作或参数配置尤其是带有非标准切片步长的操作。
解决方案 修改模型或代码: 尝试修改模型中的切片操作使其使用 支持的步长通常是步长为1。检查 YOLOv5 的代码特别是数据预处理或网络结构中的切片操作调整这些操作以兼容 。 使用 ONNX Simplifier: 尝试使用 ONNX Simplifier 来简化 ONNX 模型这有时可以去除或替换不兼容的操作。 pip install onnx-simplifier
python -m onnxsim your_model.onnx simplified_model.onnx手动调整 Focus模型r: 使用 ONNX 图形编辑器如 Netron来检查并手动调整不兼容的操作。### 具体步骤 安装 ONNX Simplifier 并简化模型: pip install onnx-simplifier
python -m onnxsim yolov5_model.onnx yolov5_model_simplified.onnx转换为 NCNN 模型: onnx2ncnn yolov5_model_simplified.onnx yolov5_model.param yolov5_model.bin手动调整 Focus模型:
在 models 文件夹下的 common.py 文件中找到并修改 Focus 类以避免使用不受支持的 slice 步长。原始代码如下
class Focus(nn.Module):# Focus wh information into c-spacedef __init__(self, c1, c2, k1):super(Focus, self).__init__()self.conv Conv(c1 * 4, c2, k, 1)def forward(self, x): # x(b,c,w,h) - y(b,4c,w/2,h/2)return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))将上述代码修改为如下代码
class Focus(nn.Module):# Focus wh information into c-spacedef __init__(self, c1, c2, k1, s1, pNone, g1, actTrue): # ch_in, ch_out, kernel, stride, padding, groupssuper(Focus, self).__init__()self.conv Conv(c1 * 4, c2, k, s, p, g, act)with torch.no_grad():self.conv1 nn.Conv2d(c1, c1, (2, 2), groupsc1, biasFalse, stride(2, 2))self.conv1.weight[:, :, 0, 0] 1self.conv1.weight[:, :, 0, 1] 0self.conv1.weight[:, :, 1, 0] 0self.conv1.weight[:, :, 1, 1] 0self.conv2 nn.Conv2d(c1, c1, (2, 2), groupsc1, biasFalse, stride(2, 2))self.conv2.weight[:, :, 0, 0] 0self.conv2.weight[:, :, 0, 1] 0self.conv2.weight[:, :, 1, 0] 1self.conv2.weight[:, :, 1, 1] 0self.conv3 nn.Conv2d(c1, c1, (2, 2), groupsc1, biasFalse, stride(2, 2))self.conv3.weight[:, :, 0, 0] 0self.conv3.weight[:, :, 0, 1] 1self.conv3.weight[:, :, 1, 0] 0self.conv3.weight[:, :, 1, 1] 0self.conv4 nn.Conv2d(c1, c1, (2, 2), groupsc1, biasFalse, stride(2, 2))self.conv4.weight[:, :, 0, 0] 0self.conv4.weight[:, :, 0, 1] 0self.conv4.weight[:, :, 1, 0] 0self.conv4.weight[:, :, 1, 1] 1def forward(self, x): # x(b,c,w,h) - y(b,4c,w/2,h/2)return self.conv(torch.cat([self.conv1(x), self.conv2(x), self.conv3(x), self.conv4(x)], 1))这样做可以避免使用不受支持的 slice 操作使模型更兼容 NCNN。完成上述修改后重新将模型导出为 ONNX 格式并再次尝试转换为 NCNN 格式。
实在解决不了可采用 自定义算子: 参考 此博客
