netrans/introduction.md

模型转换简介

Netrans 是一套运行在unbuntu 20.04上的模型处理工具，提供命令行工具 netrans_cli 和 python api netrans_py， 其核心功能是将模型权重转换成在pnna芯片上运行的 nbg（network binary graph）格式（.nb 为后缀）。

Netrans 目录结构如下：

netrans
├── bin
├── netrans_cli
├── netrans_py
└── examples

目录	说明
bin	导入，量化，推理，导出工程等工具的二进制文件
netrans_cli	导入，量化，推理和导出的一键运行命令行工具
netrans_py	导入，量化，推理和导出的一键运行python api
examples	tensorflow、caffe、darknet 和 onnx 的模型转换示例

注意：运行 Netrans 的计算机应该满足以下要求。

资源	描述
CPU	Intel® Core™ i5-6500 CPU @ 3.2 GHz x4 支持 the Intel® Advanced Vector Extensions.
RAM	至少8GB
硬盘	160GB
操作系统	Ubuntu 20.04 LTS 64-bit with Python 3.8 注意：不推荐使用其他版本

安装

• 确保Python 3.8环境配置完成

• 使用apt安装“build-essential”

  sudo apt update
  sudo apt install build-essential
  

• 计算机需要满足上面描述的硬件需求

执行以下命令安装 Netrans。

创建 conda 环境 .

conda create -n netrans python=3.8 -y
conda activate netrans

下载 Netrans .

mkdir -p ~/app
cd ~/app
git clone https://gitlink.org.cn/nudt_dsp/netrans.git

安装 Netrans。

cd ~/app/netrans
./setup.sh

Netrans 工作流程介绍。

Netrans 工作流程如下:

• 1. 导入并转换模型到中间模型文件
• 2. 生成 inputmeta 文件
• 3. 量化模型
• 4. 导出模型应用部署程序工程，以便部署到硬件。

Netrans 提供 tensorflow、caffe、darknet 和 onnx 的模型转换示例，请参考 examples。

模型支持

Netrans 支持目前大多数的主流框架。具体如下表

输入支持	描述
caffe	支持所有的Caffe 模型
Tensorflow	支持版本1.4.x, 2.0.x, 2.3.x, 2.6.x, 2.8.x, 2.10.x, 2.12.x 以tf.io.write_graph()保存的模型
ONNX	支持 ONNX 至 1.14.0， opset支持至19
Pytorch	支持 Pytorch 至 1.5.1
Darknet	支持官网列出 darknet 模型

注意： Pytorch 动态图的特性，我们建议将 Pytorch 模型导出成 onnx ，再使用 Netrans 进行转换。

算子支持

支持的Caffe算子

absval	innerproduct	reorg
axpy	lrn	roipooling
batchnorm/bn	l2normalizescale	relu
convolution	leakyrelu	reshape
concat	lstm	reverse
convolutiondepthwise	normalize	swish
dropout	poolwithargmax	slice
depthwiseconvolution	premute	scale
deconvolution	prelu	shufflechannel
elu	pooling	softmax
eltwise	priorbox	sigmoid
flatten	proposal	tanh

持的TensorFlow算子

tf.abs	tf.nn.rnn_cell_GRUCell	tf.negative
tf.add	tf.nn.dynamic_rnn	tf.pad
tf.nn.bias_add	tf.nn.rnn_cell_GRUCell	tf.transpose
tf.add_n	tf.greater	tf.nn.avg_pool
tf.argmin	tf.greater_equal	tf.nn.max_pool
tf.argmax	tf.image.resize_bilinear	tf.reduce_mean
tf.batch_to_space_nd	tf.image.resize_nearest_neighbor	tf.nn.max_pool_with_argmax
tf.nn.batch_normalization	tf.contrib.layers.instance_norm	tf.pow
tf.nn.fused_batchnorm	tf.nn.fused_batch_norm	tf.reduce_mean
tf.cast	tf.stack	tf.reduce_sum
tf.clip_by_value	tf.nn.sigmoid	tf.reverse
tf.concat	tf.signal.frame	tf.reverse_sequence
tf.nn.conv1d	tf.slice	tf.nn.relu
tf.nn.conv2d	tf.nn.softmax	tf.nn.relu6
tf.nn.depthwise_conv2d	tf.space_to_batch_nd	tf.rsqrt
tf.nn.conv1d	tf.space_to_depth	tf.realdiv
tf.nn.conv3d	tf.nn.local_response_normalization	tf.reshape
tf.image.crop_and_resize	tf.nn.l2_normalize	tf.expand_dims
tf.nn.conv2d_transposed	tf.nn.rnn_cell_LSTMCelltf.nn_dynamic_rnn	tf.squeeze
tf.depth_to_space	tf.rnn_cell.LSTMCell	tf.strided_slice
tf.equal	tf.less	tf.sqrt
tf.exp	tf.less_equal	tf.square
tf.nn.elu	tf.logical_or	tf.subtract
tf.nn.embedding_lookup	tf.logical_add	tf.scatter_nd
tf.maximum	tf.nn.leaky_relu	tf.split
tf.floor	tf.multiply	tf.nn.swish
tf.matmul	tf.nn.moments	tf.tile
tf.floordiv	tf.minimum	tf.nn.tanh
tf.gather_nd	tf.matmul	tf.unstack
tf.gather	tf.batch_matmul	tf.where
tf.nn.embedding_lookup	tf.not_equal	tf.select

支持的ONNX算子

ArgMin	LeakyRelu	ReverseSequence
ArgMax	Less	ReduceMax
Add	LSTM	ReduceMin
Abs	MatMul	ReduceL1
And	Max	ReduceL2
BatchNormalization	Min	ReduceLogSum
Clip	MaxPool	ReduceLogSumExp
Cast	AveragePool	ReduceSumSquare
Concat	Globa	Reciprocal
ConvTranspose	lAveragePool	Resize
Conv	GlobalMaxPool	Sum
Div	MaxPool	SpaceToDepth
Dropout	AveragePool	Sqrt
DepthToSpace	Mul	Split
DequantizeLinear	Neg	Slice
Equal	Or	Squeeze
Exp	Prelu	Softmax
Elu	Pad	Sub
Expand	POW	Sigmoid
Floor	QuantizeLinear	Softsign
InstanceNormalization	QLinearMatMul	Softplus
Gemm	QLinearConv	Sin
Gather	Relu	Tile
Greater	Reshape	Transpose
GatherND	Squeeze	Tanh
GRU	Unsqueeze	Upsample
Logsoftmax	Flatten	Where
LRN	ReduceSum	Xor
Log	ReduceMean

支持的Darknet算子

avgpool	maxpool	softmax
batch_normalize	mish	shortcut
connected	region	scale_channels
convolutional	reorg	swish
depthwise_convolutional	relu	upsample
leaky	route	yolo
logistic

数据准备

对于不同框架下训练的模型，需要准备不同的数据，并且所有的数据都需要放在同一个文件夹下。

caffe

转换 caffe 模型时，模型工程目录应包含以下文件：

• 以 .prototxt 结尾的模型结构定义文件
• 以 .caffemode 结尾的模型权重文件
• dataset.txt 包含数据路径的文本文件（支持图像和NPY格式）

以 lenet_caffe 为例，初始目录为：

lenet_caffe/
├── 0.jpg                   # 校准数据
├── dataset.txt             # 指定数据地址的文件
├── lenet_caffe.caffemodel  # caffe 模型权重
└── lenet_caffe.prototxt    # caffe 模型结构

tensorflow

转换 tenrsorflow 模型时，模型工程目录应包含以下文件：

• .pb 文件：冻结图模型文件
• inputs_outputs.txt：输入输出节点定义文件
• dataset.txt：数据路径配置文件

以 lenet 为例，初始目录为：

lenet/
├── 0.jpg                # 校准数据
├── dataset.txt          # 指定数据地址的文件 
├── inputs_outputs.txt   # 输入输出节点定义文件
└── lenet.pb             # 冻结图模型文件

darknet

转换Darknet模型需准备：

• .cfg 文件：网络结构配置文件
• .weights 文件：训练权重文件
• .dataset.txt：数据路径配置文件

以 yolov4_tiny 为例，初始目录为：

yolov4_tiny/
├── 0.jpg                 # 校准数据
├── dataset.txt           # 指定数据地址的文件 
├── yolov4_tiny.cfg       # 网络结构配置文件
└── yolov4_tiny.weights   # 预训练权重文件

onnx

转换ONNX模型需准备：

• .onnx 文件：网络模型
• dataset.txt：数据路径配置文件

以 yolov5s 为例，初始目录为：

yolov5s/
├── 0.jpg          # 校准数据
├── dataset.txt    # 指定数据地址的文件 
└── yolov5s.onnx   # 网络模型