pytorch 模型的 Coreml 模型浮点输入
Coreml model float input for a pytorch model
我有一个 pytorch 模型，它将 3 x width x height 图像作为输入，像素值在 0-1
之间归一化
例如在pytorch中输入
img = io.imread(img_path)
input_img = torch.from_numpy( np.transpose(img, (2,0,1)) ).contiguous().float()/255.0
我将此模型转换为 coreml 并导出了一个 mlmodel，该模型采用正确尺寸的输入
Image (Color width x height)
但是，我的预测不正确，因为模型期望 0-1 和 cvpixelbuffer 之间的浮点值是一个 int bwetween 0-255
我试着像这样规范化模型中的值，
z = x.mul(1.0/255.0) # div op is not supported for export yet
但是，当此操作在 coreml 级别的模型内部完成时，int * float 被转换为 int 并且所有值基本上都是 0
Cast op 不支持导出，例如 x = x.float()
如何确保我的输入的形状适合预测？本质上，我想获取 pixel rgb and float divide 255.0 并将其传递给模型进行推理？
我使用 coreml onnx 转换器的 preprocessing_args 解决了它，
preprocessing_args= {'image_scale' : (1.0/255.0)}
希望这对某人有所帮助
我有一个 pytorch 模型，它将 3 x width x height 图像作为输入，像素值在 0-1
例如在pytorch中输入
img = io.imread(img_path)
input_img = torch.from_numpy( np.transpose(img, (2,0,1)) ).contiguous().float()/255.0
我将此模型转换为 coreml 并导出了一个 mlmodel，该模型采用正确尺寸的输入
Image (Color width x height)
但是，我的预测不正确，因为模型期望 0-1 和 cvpixelbuffer 之间的浮点值是一个 int bwetween 0-255
我试着像这样规范化模型中的值，
z = x.mul(1.0/255.0) # div op is not supported for export yet
但是，当此操作在 coreml 级别的模型内部完成时，int * float 被转换为 int 并且所有值基本上都是 0
Cast op 不支持导出，例如 x = x.float()
如何确保我的输入的形状适合预测？本质上，我想获取 pixel rgb and float divide 255.0 并将其传递给模型进行推理？
我使用 coreml onnx 转换器的 preprocessing_args 解决了它，
preprocessing_args= {'image_scale' : (1.0/255.0)}
希望这对某人有所帮助