opencv tensorflow c++ pb infer opencv onnx c++ infer opencv onnx c++ infer

tflite2tensorflow 从.tflite生成saved_model，tfjs，t​​f-trt，EdgeTPU，CoreML，量化的tflite，ONNX，OpenVINO，无数推理引擎blob和.pb。 1.支持的图层 不。 TFLite层 TF层 评论 1个 CONV_2D tf.nn.conv2d 2个 DEPTHWISE_CONV_2D tf.nn.depthwise_conv2d 3 MAX_POOL_2D tf.nn.max_pool 4 软垫 tf垫 5 MIRROR_PAD tf.raw_ops.MirrorPad 6 relu tf.nn.relu 7 普鲁鲁 tf.keras.layers.PReLU 8 RELU6 tf.nn.relu6 9 重塑 tf.reshape 10 添加 tf.add 11 潜艇 tf.ma

pip3 install onnx-1.3.0-cp36-cp36m-linux_aarch64.whl

注意：此回购已弃用！ onnx-mxnet已合并到。 请参阅以了解更多详细信息。 （截至2018年5月29日的未解决问题将在MXNet存储库中进行跟踪和解决）

目标检测工程备份

Netron是神经网络，深度学习和机器学习模型的查看者。 Netron支持ONNX（.onnx，.pb，.pbtxt），Keras（.h5，.keras），核心ML（.mlmodel），来自Caffe（.caffemodel，.prototxt），Caffe2（predict_net.pb），暗网（.cfg），MXNet（.model，-symbol.json），梭子鱼（.nn），ncnn（.param），Tengine（.tmfile），TNN（.tnnproto），UFF（.uff）和TensorFlow Lite（.tflite）。 Netron具有用于实验支持TorchScript（.pt，.pth），PyTorch（.pt，.pth），火炬（.t7），臂NN（.armnn），BigDL（.bigdl，.model），Chainer（.npz，.h5），CNTK（.model，.cntk），Deeplearning4j（.zip），MediaPipe（.pbtxt），ML.NET（.zip），MNN（.mnn），PaddlePaddle（.zip，__model__），OpenVINO（.xml），scikit学习（.pkl），TensorFlow.js（model.json，.pb）和TensorFlow（.pb，.meta，.pbtxt，.ckpt，.index）。

主要介绍了Pytorch通过保存为ONNX模型转TensorRT5的实现，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

1. 搭建自己的简单二分类网络，使用pytorch训练和测试； 2. 将pytorch训练的pth模型转换成ONNX，并编码测试； 3. 含训练和测试数据，含训练ok的pth模型和ONNX模型，含完整python和C++实现； 4. 使用方法：首先运行“TrainTestConvertOnnx.py”执行“训练数据读入、模型训练、模型测试、导出onnx”，再运行“TestOnnx.cpp”测试onnx（需要配置OpenCV）；