X2Paddle
🆕 新开源项目FastDeploy
若您的最终目的是用于模型部署，当前飞桨提供FastDeploy，提供
- 欢迎Star
🌟 https://github.com/PaddlePaddle/FastDeploy - YOLOv5 C++ & Python 部署示例
- YOLOv6 C++ & Python 部署示例
- YOLOv7 C++ & Python 部署示例
- RetinaFace C++ & Python 部署示例
- YOLOv5Face 安卓部署示例
【问卷调查】 为了更好的推进飞桨框架以及X2Paddle的迭代开发，诚邀您参加我们的问卷，期待您的宝贵意见:https://iwenjuan.baidu.com/?code=npyd51
简介
X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，我们还提供了详细的不同框架间API对比文档，降低开发者将模型迁移到飞桨的时间成本。
特性
-
支持主流深度学习框架
- 目前已经支持Caffe/TensorFlow/ONNX/PyTorch四大框架的预测模型的转换，PyTorch训练项目的转换，涵盖了目前市面主流深度学习框架
-
支持的模型丰富
- 在主流的CV和NLP模型上支持大部分模型转换，目前X2Paddle支持130+ PyTorch OP，90+ ONNX OP，90+ TensorFlow OP 以及 30+ Caffe OP，详见 支持列表
-
简洁易用
- 一条命令行或者一个API即可完成模型转换
能力
-
预测模型转换
- 支持Caffe/TensorFlow/ONNX/PyTorch的模型一键转为飞桨的预测模型，并使用PaddleInference/PaddleLite进行CPU/GPU/Arm等设备的部署
-
PyTorch训练项目转换
- 支持PyTorch项目Python代码（包括训练、预测）一键转为基于飞桨框架的项目代码，帮助开发者快速迁移项目，并可享受AIStudio平台对于飞桨框架提供的海量免费计算资源【新功能，试一下！】
-
API对应文档
- 详细的API文档对比分析，帮助开发者快速从PyTorch框架的使用迁移至飞桨框架的使用，大大降低学习成本 【新内容，了解一下！】
安装
环境依赖
- python >= 3.5
- paddlepaddle >= 2.2.2
- tensorflow == 1.14 (如需转换TensorFlow模型)
- onnx >= 1.6.0 (如需转换ONNX模型)
- torch >= 1.5.0 (如需转换PyTorch模型)
- paddlelite >= 2.9.0 (如需一键转换成Paddle-Lite支持格式,推荐最新版本)
pip安装(推荐）
如需使用稳定版本，可通过pip方式安装X2Paddle：
pip install x2paddle
源码安装
如需体验最新功能，可使用源码安装方式：
git clone https://github.com/PaddlePaddle/X2Paddle.git
cd X2Paddle
git checkout develop
python setup.py install
快速开始
功能一：推理模型转换
PyTorch模型转换
from x2paddle.convert import pytorch2paddle
pytorch2paddle(module=torch_module,
save_dir="./pd_model",
jit_type="trace",
input_examples=[torch_input])
# module (torch.nn.Module): PyTorch的Module。
# save_dir (str): 转换后模型的保存路径。
# jit_type (str): 转换方式。默认为"trace"。
# input_examples (list[torch.tensor]): torch.nn.Module的输入示例，list的长度必须与输入的长度一致。默认为None。script模式以及更多细节可参考PyTorch模型转换文档。
TensorFlow模型转换
x2paddle --framework=tensorflow --model=tf_model.pb --save_dir=pd_modelONNX模型转换
x2paddle --framework=onnx --model=onnx_model.onnx --save_dir=pd_modelCaffe模型转换
x2paddle --framework=caffe --prototxt=deploy.prototxt --weight=deploy.caffemodel --save_dir=pd_model转换参数说明
| 参数 | 作用 |
|---|---|
| --framework | 源模型类型 (tensorflow、caffe、onnx) |
| --prototxt | 当framework为caffe时，该参数指定caffe模型的proto文件路径 |
| --weight | 当framework为caffe时，该参数指定caffe模型的参数文件路径 |
| --save_dir | 指定转换后的模型保存目录路径 |
| --model | 当framework为tensorflow/onnx时，该参数指定tensorflow的pb模型文件或onnx模型路径 |
| --input_shape_dict | [可选] For ONNX, 定义ONNX模型输入大小 |
| --caffe_proto | [可选] 由caffe.proto编译成caffe_pb2.py文件的存放路径，当存在自定义Layer时使用，默认为None |
| --define_input_shape | [可选] For TensorFlow, 当指定该参数时，强制用户输入每个Placeholder的shape，见文档Q2 |
| --enable_code_optim | [可选] For PyTorch, 是否对生成代码进行优化，默认为False |
| --to_lite | [可选] 是否使用opt工具转成Paddle-Lite支持格式，默认为False |
| --lite_valid_places | [可选] 指定转换类型，可以同时指定多个backend(以逗号分隔)，opt将会自动选择最佳方式，默认为arm |
| --lite_model_type | [可选] 指定模型转化类型，目前支持两种类型：protobuf和naive_buffer，默认为naive_buffer |
| --disable_feedback | [可选] 是否关闭X2Paddle使用反馈；X2Paddle默认会统计用户在进行模型转换时的成功率，以及转换框架来源等信息，以便于帮忙X2Paddle根据用户需求进行迭代，不会上传用户的模型文件。如若不想参与反馈，可指定此参数为False即可 |
X2Paddle API
目前X2Paddle提供API方式转换模型，可参考X2PaddleAPI
一键转换Paddle-Lite支持格式
功能二：PyTorch模型训练迁移
项目转换包括3个步骤
- 项目代码预处理
- 代码/预训练模型一键转换
- 转换后代码后处理
使用VisualDL进行模型转换
飞桨可视化工具VisualDL已经将模型转换工具部署在官网提供服务，可以点击服务链接进行在线的ONNX2Paddle模型转换。
使用教程
🤗 贡献代码🤗
我们非常欢迎您为X2Paddle贡献代码或者提供使用建议。如果您可以修复某个issue或者增加一个新功能，欢迎给我们提交Pull Requests，如果有PyTorch训练项目转换需求欢迎随时提issue~