访问官网
Github
Huggingface
文档
论文ONNX 模型库项目介绍
欢迎来到 ONNX 模型库！ONNX 表示开放神经网络交换，是一个用于表示机器学习模型的开源标准格式。由多个合作伙伴支持，ONNX 定义了一套通用的算子和通用文件格式，使得 AI 开发者能够在不同的框架、工具、运行时和编译器之间自由使用模型。
这个仓库是一个经过精心挑选的预训练和最先进的 ONNX 格式模型的集合。这些模型来自著名的开源存储库，由社区成员贡献，旨在促进机器学习模型在开发者、研究人员和爱好者之间的传播和使用。
为了处理可能较大的 ONNX 模型文件，我们使用 Git LFS （大文件存储）进行管理。
模型类别
ONNX 模型库目前正在扩展，增加以下类别的新模型。这些新增模型正在经过严格的精度验证，以下是一些已经成功通过验证的模型类别：
- 计算机视觉
- 自然语言处理 (NLP)
- 生成式人工智能
- 图机器学习
这些模型来自如 timm, torchvision, torch_hub, 和 transformers 等著名的开源库，并通过开源的 TurnkeyML 工具链导出为 ONNX 格式。
已验证的模型
该项目中的已验证模型涉及多个领域，包括图像分类、目标检测、语言机器理解等。每一个领域都包含丰富多样的子类模型，并且为了帮助用户快速找到适合自己的模型，项目还提供了不同模型的性能参考文献和详细描述。
例如，在图像分类领域，诸如 MobileNet, ResNet, VGG 等模型，以其轻量级和高精度受到广泛关注；同时，在自然语言处理领域，BERT、RoBERTa 等模型因其优异的理解和生成能力被广泛应用。
使用指南
对于 ONNX 模型的使用，项目提供了详细的文件格式说明（如 .onnx, .pb, .npz）和通过 Git LFS 下载多个 ONNX 模型的命令指南。此外，还提供了使用测试数据验证 ONNX 模型的 Python 代码示例，以便用户轻松开始。
针对量化模型，项目提供由 Intel® Neural Compressor 生成的 INT8 模型。Intel Neural Compressor 是一种开源的 Python 库，支持自动化精度驱动的调优策略，帮助用户快速找到最佳的量化模型。
模型获取方式
ONNX 模型库提供多种访问方式，只需根据用户需求选择合适的下载方式：
- Git Clone （不推荐）：由于文件较大，需使用 Git LFS 管理。
- GitHub UI：用户可直接从 GitHub 页面下载所需模型。
模型可视化
为了帮助用户更好地理解每个模型的架构，项目推荐使用 Netron 工具进行图形化展示。
贡献说明
ONNX 模型库欢迎社区的贡献。用户可以查看项目的贡献指南以了解如何参与项目，贡献新的模型或改进现有模型。
感谢您对 ONNX 模型库的兴趣，期待您的加入和贡献！
