onnxmltools

项目简介

onnxmltools 是一个强大的工具库，旨在帮助用户将来自不同机器学习工具集的模型转换成 ONNX 格式。目前，它支持的工具集包括 Tensorflow、scikit-learn、Apple Core ML、Spark ML、LightGBM、libsvm、XGBoost、H2O 以及 CatBoost。对于 Pytorch，其自带 ONNX 导出功能。

安装指南

用户可以通过两种方式安装 onnxmltools。第一种是在 PyPi 上下载最新发布的版本，执行以下命令：

pip install onnxmltools

第二种方法是从源代码安装，需要执行以下命令：

pip install git+https://github.com/microsoft/onnxconverter-common
pip install git+https://github.com/onnx/onnxmltools

如果选择从源代码安装，在安装 onnx 包之前，需要设置环境变量 ONNX_ML=1。

依赖

onnxmltools 依赖于 ONNX、NumPy 和 ProtoBuf。如果转换的是 scikit-learn、Core ML、Keras、LightGBM、SparkML、XGBoost、H2O、CatBoost 或者 LibSVM 的模型，还需要安装相应的软件包。该工具已在 Python 3.7 及以上版本中测试。

转换示例

Keras 转 ONNX 示例

以下示例展示了如何将一个 Keras 模型转换为 ONNX 模型，并指定 target_opset=7，这对应于 ONNX 版本 1.2：

import onnxmltools
from keras.layers import Input, Dense, Add
from keras.models import Model

# 定义子模型
sub_input1 = Input(shape=(C,))
sub_mapped1 = Dense(D)(sub_input1)
sub_model1 = Model(inputs=sub_input1, outputs=sub_mapped1)

sub_input2 = Input(shape=(C,))
sub_mapped2 = Dense(D)(sub_input2)
sub_model2 = Model(inputs=sub_input2, outputs=sub_mapped2)

# 构建最终模型
input1 = Input(shape=(D,))
input2 = Input(shape=(D,))
mapped1_2 = sub_model1(input1)
mapped2_2 = sub_model2(input2)
sub_sum = Add()([mapped1_2, mapped2_2])
keras_model = Model(inputs=[input1, input2], outputs=sub_sum)

# 转换为 ONNX 模型
onnx_model = onnxmltools.convert_keras(keras_model, target_opset=7)

CoreML 转 ONNX 示例

下面是一个简单的代码示例，将 Core ML 模型转换为 ONNX 模型：

import onnxmltools
import coremltools

# 加载 Core ML 模型
coreml_model = coremltools.utils.load_spec('example.mlmodel')

# 转换为 ONNX 模型
onnx_model = onnxmltools.convert_coreml(coreml_model, 'Example Model')

# 保存为 protobuf 格式
onnxmltools.utils.save_model(onnx_model, 'example.onnx')

H2O 转 ONNX 示例

以下代码片段展示了如何将 H2O MOJO 模型转换为 ONNX 模型：

import onnxmltools

# 转换为 ONNX 模型
onnx_model = onnxmltools.convert_h2o('/path/to/h2o/gbm_mojo.zip')

# 保存为 protobuf 格式
onnxmltools.utils.save_model(onnx_model, 'h2o_gbm.onnx')