deep_love1314的博客

这个dbnet.onnx是paddleocr转出来的，自带的有paddle的那个hardsigmoid算子 ，这个不好转到trt等框架，因此我们想把这个hardsigmoid 算子op替换成我们常规的pytorch框架转出来的hardsigmoid onnx那种。

本文主要介绍要将原始yolov5分割的输出掩膜从[b,c,h,.w]修改为[b, h, w, c]一般的做法就是使用：onnxsim里面带的推断shape的函数过一遍onnxsim就行了！这个是基于yolov5s-seg的，实际其他的m，l等模型那个节点的索引就不是208了。（2）上面我们看到转置完成后，detect的还是没有显式地显示出来。这个以后修改就要相应的去修改！

环境：python==3.10，torchvision==0.12.0+cu113 onnx==1.12.0 onnxruntime==1.13.1我们在mobilesam工程（sam工程一样的）导出onnx的时候默认出现：”ValueError: Unsupported ONNX opset version: 16“然后我们就按照一些资料，将opset降低到使用13，结果还是不行：”repeat_interleavefor idx, r_split in enumerate(r_splits):

out-of-place只是分配新对象并保留对旧计算图的引用，而in-place操作则需要将所有输入的创建更改为代表此操作的函数。out-of-place只是分配新对象并保留对旧计算图的引用，而 in-place 操作则需要将所有输入的创建更改为代表此操作的函数。这就是为什么我建议使用 PyTorch 标准的in-place 操作(如上面的in-place ReLU) ，而不是手动实现。就地操作：是直接更改给定Tensor的内容而不进行复制的操作，即不会为变量分配新的内存（不分配新的对象）。

本文旨在介绍说明yolov5自带的分类如何导出动态的batch的onnx。其中输出两种形式：形式（1）：导出带softmax映射到概率的形式（2）：导出不带softmax的，这个也是官方默认的方式我们先看下如何得到我们想要的仅有动态batch的导出,在export.py中修改代码如下：导出的onnx可视化如下：原始官方导出是不带softmax概率映射的，因此想要获得带softmax的onnx，可以有两种做法：（1）修改源码。

yolov5-seg（实例分割）的tensorRT部署

onnx

onnx、yolov7

retinanet pytorch转换onnx Unsample 问题 pytorch转onnx踩坑日记_贝猫说python的博客-CSDN博客

onnx中的where op是pytorch中的什么操作产生的呢？ 试了torch.where 以及 a[mask]等操作 都没有产生。 也没搜到。 想记录学习下 。答案：看下expand （我自己给的答案），我还没有验证

问：想跟您请教下torch.randperm这个算子转onnx不支持应该怎么实现？ 答复：可以先用 ONNX_FALLTHROUGH转成onnx，然后再给TensorRT写个plugin，转出来后也可以用ONNX-graphsurgeon把这个node展开成TRT支持的node（如果可以等效替换掉的话）。 注意：好像没法用TRT layer表示randperm：torch.randperm — PyTorch 1.11.0 documentation 有人也给了其他思路，比如：用rand

方法参考：https://github.com/onnx/onnx/issues/582