onnx2c: 轻量级神经网络模型部署利器

RayRay
onnx2cONNXC编译器微控制器神经网络Github开源项目

onnx2c

onnx2c: 让神经网络在微控制器上起飞

在人工智能和物联网快速发展的今天,如何将训练好的神经网络模型部署到资源受限的嵌入式设备上,已经成为一个热门话题。onnx2c作为一个轻量级的神经网络模型部署工具,正是为解决这一难题而生的。本文将全面介绍onnx2c的设计理念、核心功能以及使用方法,帮助读者了解这一强大工具如何让神经网络在微控制器上"起飞"。

onnx2c简介:小巧而强大的模型转换工具

onnx2c是一个开源的ONNX(Open Neural Network Exchange)到C语言的编译器。它的主要功能是读取ONNX格式的神经网络模型文件,并生成对应的C语言代码。这个工具的目标用户群是那些想要在微控制器等资源受限的嵌入式设备上运行神经网络推理的开发者。

onnx2c的设计理念可以用"小而美"来形容。它专注于生成轻量、高效的C代码,以适应微控制器有限的内存和计算资源。同时,onnx2c的使用也非常简单直接,对用户十分友好。只要你能够将训练好的神经网络导出为ONNX格式(目前主流的深度学习框架如PyTorch和TensorFlow都支持这一功能),并且有一个可工作的微控制器项目,那么使用onnx2c将两者结合就变得轻而易举。

onnx2c的核心特性:为微控制器量身打造

onnx2c生成的C代码具有以下几个重要特性,这些特性都是为了更好地适应微控制器的环境:

  1. 无标准输入输出依赖:生成的代码不包含#include <stdio.h>,也就是说不使用printf()等标准输入输出函数。这减少了代码体积,并避免了在某些微控制器平台上可能存在的兼容性问题。

  2. 静态内存分配:onnx2c在编译时就分配好所需的缓冲区,不使用动态内存分配,也几乎不使用栈内存。这种做法可以有效避免内存碎片化,并使内存使用更加可预测。

  3. 最小库依赖:除了标准C数学库外,生成的代码不依赖其他库。这大大简化了部署过程,提高了代码的可移植性。(不过,推荐使用带有硬件浮点运算单元的设备以获得更好的性能。)

  4. 编译器友好:生成的代码结构清晰,便于C编译器进行优化,以获得最佳的运行效率。

  5. 单文件输出:所有生成的代码都被包含在一个C文件中,方便项目管理和集成。

这些特性使得onnx2c生成的代码非常适合在资源受限的微控制器上运行。它不仅体积小、效率高,还具有良好的可移植性和易用性。

如何使用onnx2c:从安装到代码生成

使用onnx2c的过程可以分为以下几个步骤:

  1. 安装依赖: 首先需要安装ProtocolBuffers库。在Ubuntu系统上,可以使用以下命令:

    apt install libprotobuf-dev protobuf-compiler
    

    对于MacOS用户,可以使用Homebrew安装:

    brew install protobuf
    
  2. 获取源码:

    git clone https://github.com/kraiskil/onnx2c.git
    cd onnx2c
    git submodule update --init
    
  3. 编译onnx2c: 使用CMake进行标准构建:

    mkdir build
    cd build
    cmake -DCMAKE_BUILD_TYPE=Release ..
    make onnx2c
    
  4. 使用onnx2c生成C代码: 编译完成后,会得到一个onnx2c可执行文件。使用以下命令将ONNX模型转换为C代码:

    ./onnx2c [你的ONNX模型文件] > model.c
    
  5. 集成生成的代码: 在生成的model.c文件末尾,有一个名为void entry(...)的函数。在你的主程序中调用这个函数就可以运行模型推理。函数参数的名称与ONNX模型中的一致。

onnx2c的优化技巧:榨干每一滴性能

为了在微控制器上获得最佳性能,onnx2c提供了几个优化选项:

  1. 使用-ffast-math编译选项:当编译onnx2c生成的代码时,使用这个选项可以显著提高计算速度。不过,需要注意的是,这可能会稍微降低浮点运算的精度。

  2. 张量联合优化:onnx2c会将中间张量包装在联合体(union)中,帮助编译器重用堆内存,从而减少内存占用。

  3. 移除Cast节点:通过修改前置节点的输出张量,onnx2c可以消除不必要的类型转换操作。

  4. AVR处理器优化:对于AVR系列处理器,onnx2c可以将常量放入指令内存中,以节省宝贵的数据内存。

  5. 实验性量化选项:onnx2c提供了一个将浮点计算转换为整数计算的实验性选项,这对于不支持硬件浮点运算的设备特别有用。

onnx2c的实际性能:小巧但强劲

onnx2c性能对比

根据onnx2c项目提供的基准测试数据,我们可以看到onnx2c在实际应用中表现出色。以一个简单的"Hello World"正弦波生成神经网络为例,将其编译到STM32F411微控制器上运行,结果令人印象深刻:

  • 使用STM32CubeAI生成的代码运行时间为490微秒
  • 而使用onnx2c生成的代码仅需20微秒

这意味着onnx2c生成的代码运行速度比STM32CubeAI快了近25倍!

在内存占用方面,onnx2c也表现不俗:

平台代码段(text)数据段(data)BSS段运行时间
STM HAL + onnx2c @96MHz82761300306020us
STM HAL + CubeAI @96MHz1437216962808490us
OpenCM3 + onnx2c @84MHz8236129638825us
OpenCM3 + onnx2c (RAM优化)82361238829us

可以看到,onnx2c生成的代码在各个方面都比STM32CubeAI更加高效。特别是在RAM优化版本中,数据段的占用仅为12字节,这对于内存紧张的微控制器来说是一个巨大的优势。

onnx2c的局限性:仍在成长的年轻工具

尽管onnx2c表现出色,但它也有一些局限性需要注意:

  1. ONNX规范覆盖不完整:目前onnx2c仅实现了部分ONNX操作(91个out of 166个ONNX操作至少部分实现)。这意味着某些复杂的神经网络模型可能无法直接转换。

  2. 不支持硬件加速器:onnx2c生成的是纯C代码,不支持使用专门的神经网络加速硬件。

  3. 不支持反向传播:onnx2c专注于推理,不支持模型训练。

  4. 社区活跃度有待提高:与一些大公司支持的工具相比,onnx2c的社区相对较小,更新频率可能不如一些主流工具。

onnx2c的未来展望:潜力无限

尽管存在一些局限性,但onnx2c作为一个专注于微控制器部署的轻量级工具,其潜力是巨大的。随着物联网和边缘计算的发展,对于在资源受限设备上运行神经网络的需求只会越来越大。onnx2c正好填补了这一市场空白。

未来,我们可以期待看到:

  1. 更完整的ONNX操作支持
  2. 更多的优化选项,以进一步提高性能和减少内存占用
  3. 对更多微控制器平台的专门优化
  4. 更丰富的文档和示例,帮助开发者更容易上手

结语:onnx2c,微控制器上的AI助推器

onnx2c为将复杂的神经网络模型部署到资源受限的微控制器上提供了一个简单而高效的解决方案。它的小巧、高效和易用性使其成为嵌入式AI开发中不可或缺的工具。

无论你是想要在智能家居设备中集成语音识别,还是在工业传感器中实现异常检测,onnx2c都能帮你将强大的神经网络能力带到这些小巧的设备中。随着物联网和边缘AI的不断发展,onnx2c的重要性只会与日俱增。

如果你正在考虑在微控制器项目中使用神经网络,不妨给onnx2c一个尝试。它可能会成为你项目成功的关键推手,让你的微控制器在AI的赋能下焕发新的生机。

onnx2c项目GitHub地址

让我们共同期待onnx2c的未来发展,见证它在微控制器AI部署领域续写新的篇章!

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多