导出onnx的两种方法

导出onnx的两种方法### mmdeploy 和 torch.onnx.export 的区别

mmdeploy

mmdeploy 是 OpenMMLab 推出的模型部署工具箱，专门针对计算机视觉任务优化，支持多种后端（如 TensorRT、ONNX Runtime 等）。其核心优势在于针对 OpenMMLab 系列模型（如 MMDetection、MMSegmentation）进行了深度适配和优化，能够自动处理模型中的复杂操作（如动态 shape、自定义算子等）。

• 功能特点：
  支持模型量化、动态 shape 适配、自动优化预处理和后处理。
  内置对 OpenMMLab 模型架构的解析能力，避免手动修改模型结构。
  提供一键式部署流程，简化从训练到部署的链路。

• 代码示例：

python tools/deploy.py \configs/mmseg/segmentation_onnxruntime_dynamic.py \custom_model_config.py \checkpoint.pth \--work-dir output \--device cuda:0

torch.onnx.export

PyTorch 原生的 ONNX 导出接口，适用于通用 PyTorch 模型。需要手动处理动态轴、自定义算子等场景，灵活性高但配置复杂。

• 功能特点：
  支持基础模型导出，依赖用户手动指定输入输出的动态维度。
  需自行处理模型中的非标准操作（如特殊激活函数）。
  适用于非 OpenMMLab 体系的模型或研究性项目。

• 代码示例：

import torchmodel = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True)
dummy_input = torch.randn(1, 3, 224, 224)
torch.onnx.export(model,dummy_input,'resnet18.onnx',input_names=['input'],output_names=['output'],dynamic_axes={'input': {0: 'batch'}, 'output': {0: 'batch'}}
)

关键差异

• 自动化程度：mmdeploy 自动适配模型结构，torch.onnx.export 需手动调整。
• 领域优化：mmdeploy 专为视觉任务优化，原生支持动态后处理；后者需自行实现。
• 依赖生态：mmdeploy 深度绑定 OpenMMLab，通用性较弱；torch.onnx.export 适用于任意 PyTorch 模型。

选择建议：

• 若使用 OpenMMLab 系列模型，优先选择 mmdeploy。
• 其他场景或需高度定制时，使用 torch.onnx.export。