onnx2tflite - 优化ONNX模型到TensorFlow Lite的转换工具，具备高一致性和自动通道对齐功能

项目介绍

onnx2tflite 是一个供用户将 ONNX 格式的模型转换为 TensorFlow Lite 和 Keras 格式的工具。通过这些转换，用户可以方便地在不同的框架上使用同一个模型，从而实现模型的跨平台部署。项目欢迎大家参与讨论和提交修改建议。

安装指南

要开始使用 onnx2tflite，用户需要先从项目的 GitHub 仓库克隆代码，然后执行安装命令。具体步骤如下：

git clone https://github.com/MPolaris/onnx2tflite.git
cd onnx2tflite
python setup.py install

使用说明

用户可以通过以下命令将 ONNX 模型转换为 tflite 格式：

from onnx2tflite import onnx_converter
res = onnx_converter(
        onnx_model_path = "./model.onnx",
        need_simplify = True,
        output_path = "./models/",
        target_formats = ['tflite'],
    )

为了更灵活的使用，onnx2tflite 提供了几种命令行格式来帮助用户指定不同的输出格式、保存路径以及量化配置等。

核心功能

高精度：转换后的模型与原始 ONNX 模型的平均误差小于每个元素的 (1e-5)。
转换效率：相较于其他工具，如 onnx_tf，该工具在转换为 TensorFlow Lite 模型时速度快了 30%。
自动通道对齐：自动将 PyTorch 格式 (NCWH) 转换为 TensorFlow 格式 (NWHC)。
量化支持：支持输出高精度 FP16 以及 UINT8 量化的模型。
代码简洁：保持代码结构简单明了，便于用户理解和使用。

从 Pytorch 到 TensorFlow Lite

用户可以直接使用 PyTorch 的 torchvision 模型，或者自定义模型，把它们转为 tflite 模型。以下是如何将 torchvision 中的模型转换为 tflite 的示例：

import torch
import torchvision
_input = torch.randn(1, 3, 224, 224)
model = torchvision.models.mobilenet_v2(True)
torch.onnx.export(model, _input, './mobilenetV2.onnx', opset_version=11)

from converter import onnx_converter
onnx_converter(
    onnx_model_path = "./mobilenetV2.onnx",
    need_simplify = True,
    output_path = "./",
    target_formats = ['tflite'],
    weight_quant = False,
    fp16_model=False,
    int8_model = False
)

支持的模型

onnx2tflite 支持转换许多流行的深度学习模型，包括但不限于：

SSD、HRNet、YOLOX、YOLOV3 到 YOLOV10 系列
MoveNet、UNet/FPN、ViT、SwinTransformerV1
MLP和DCGAN等自定义模型
所有 torchvision 分类模型及部分分割模型

自定义操作符

如果在使用过程中遇到不支持的操作符，用户可以自行添加支持，也可以在项目中提出问题。以上节选代码展示了如何通过名为 OPERATOR 的注册机制来添加一个名为 HardSigmoid 的操作符。

许可证

该软件遵循 Apache-2.0 许可证。用户可以在符合许可证条款的情况下自由使用和修改该软件。