Distribuzione dei modelli convertiti in formato ONNX

Vantaggi della conversione dei modelli in un runtime dell' ONNX

Copy link to section

La conversione di un modello in un runtime dell ONNX e offre diversi vantaggi, soprattutto nel contesto delle applicazioni di machine learning e deep learning. Alcuni dei vantaggi della conversione dei modelli in un runtime dell ONNX :

• Compatibilità multipiattaforma : ONNX fornisce un formato standard per rappresentare i modelli di apprendimento automatico, che rende più facile distribuire i modelli su diversi framework come PyTorch o Tensorflow. È possibile addestrare i modelli in un framework e distribuirli in un altro framework che supporti l'ambiente di esecuzion ONNX .

• Prestazioni migliorate : l'esecuzione dell' ONNX e ottimizza i modelli per l'inferenza applicando varie ottimizzazioni specifiche per hardware e software, come le ottimizzazioni grafiche. Inoltre, supporta l'esecuzione su hardware diversi, come CPU e GPU, garantendo un utilizzo efficiente delle risorse.

• Interoperabilità : ONNX fornisce un modo per addestrare modelli, come PyTorch, TensorFlow, e scikit-learn in un unico framework e poi esportarli per eseguirli in un altro ambiente, il che semplifica i flussi di lavoro. Abbatte le barriere tra i diversi framework di deep learning, consentendo agli sviluppatori di sfruttare i punti di forza delle diverse librerie senza rimanere bloccati in un unico ecosistema.

Quadri supportati per la conversione

Copy link to section

È possibile convertire i modelli di apprendimento automatico che utilizzano i seguenti framework in formato ONNX :

1. PyTorch
2. TensorFlow
3. CatBoost
4. LightGBM
5. XGBoost
6. Scikit-learn

Conversione dei modelli dell' PyTorch , in formato dell' ONNX

Copy link to section

Segui questa procedura per convertire il tuo modello in formato PyTorch nel formato ONNX :

1. Importare le librerie : Iniziare importando le librerie essenziali, come onnxruntime per l'esecuzione del modello, torch per le funzionalità di PyTorch e altre librerie necessarie per l'applicazione.

2. Creare o scaricare un modello di PyTorch : È possibile creare un modello di PyTorch utilizzando il proprio set di dati o utilizzare modelli forniti da archivi di modelli open source esterni come Hugging Face.

3. Convertire il modello PyTorch in formato ONNX : Per convertire il modello PyTorch in formato ONNX:

   a. Preparare il modello : assicurarsi che il modello dell' PyTorch e sia in modalità di valutazione utilizzando la funzion model.eval() . Potrebbe essere necessario un tensore di ingresso fittizio per adattarlo alla forma del modello.

   b. Esportare il modello : Utilizzare la funzione torch.onnx.export per convertire il modello in formato ONNX.

4. Verificare la conversione : Dopo aver convertito il modello, verificare che il modello funzioni come previsto utilizzando la libreria onnx.

Conversione dei modelli dell' TensorFlow , in formato dell' ONNX

Copy link to section

Segui questa procedura per convertire il tuo modello TensorFlow nel formato ONNX:

1. Importare librerie : iniziare importando le librerie essenziali, come tf2onnx per facilitare la conversione dei modelli TensorFlow in ONNX, e altre librerie necessarie per l'applicazione.

2. Scaricare il modello di TensorFlow : È necessario scaricare il modello di TensorFlow creato esternamente e i dati utilizzati per addestrare il modello.

3. TensorFlow Convertire un modello in formato ONNX : utilizzare il comando tf2onnx.convert per convertire un modello TensorFlow creato in formato SavedModel in formato ONNX . Se si desidera convertire un modello di TensorFlow Lite , utilizzare il flag --tflite invece del flag --saved-model .

4. Verificare la conversione : Dopo aver convertito il modello, verificare che il modello funzioni come previsto utilizzando la libreria onnx.

Conversione dei modelli di CatBoost e in formato ONNX

Copy link to section

Segui questa procedura per convertire il tuo modello addestrato in ONNX ( CatBoost ):

1. Importazione delle librerie : iniziare importando le librerie essenziali, come onnxruntime per l'esecuzione del modello, catboost per le funzionalità di CatBoost , e altre librerie necessarie per l'applicazione.

2. Creare o scaricare un modello di CatBoost : È possibile creare un modello di CatBoost utilizzando il proprio set di dati o utilizzare modelli forniti da archivi di modelli open source esterni come Hugging Face.

3. Convertire il modello CatBoost in formato ONNX : Per convertire il modello CatBoost in formato ONNX :

   a. Caricare il modello CatBoost : È possibile caricare il modello CatBoost utilizzando librerie come pickle:

   catboost_model = pickle.load(file)
   Copy to clipboardCopiato negli appunti

   b. Esportare il modello : utilizzare la funzione " catboost_model.save_model " con il parametro di formato impostato su " onnx " per convertire il modello nel formato " ONNX ".

   catboost_model.save_model(
       onnx_model_name,
       format="onnx",
       export_parameters={
           'onnx_domain': 'ai.catboost',
           'onnx_model_version': 1,
           'onnx_doc_string': 'test model for Regressor',
           'onnx_graph_name': 'CatBoostModel_for_Regression'
       }
   )
   Copy to clipboardCopiato negli appunti

4. Verificare la conversione : Dopo aver convertito il modello, verificare che il modello funzioni come previsto utilizzando la libreria onnx.

Conversione dei modelli di LightGBM e in formato ONNX

Copy link to section

Segui questa procedura per convertire il tuo modello in formato LightGBM nel formato ONNX :

1. Importare le librerie : iniziare importando le librerie essenziali, come onnxruntime per l'esecuzione del modello, lightgbm per le funzionalità di LightGBM , e onnxmltools per la conversione e altre librerie necessarie per l'applicazione.

2. Creare o scaricare un modello di LightGBM : È possibile creare un modello di LightGBM utilizzando il proprio set di dati o utilizzare modelli forniti da archivi di modelli open source esterni come Hugging Face.

3. Convertire il modello LightGBM in formato ONNX : Per convertire il modello LightGBM in formato ONNX :

   a. Caricare il modello LightGBM : È possibile caricare il modello LightGBM utilizzando librerie come pickle:

   lgbm_model = pickle.load(file)
   Copy to clipboardCopiato negli appunti

   b. Esportare il modello : utilizzare la funzione " convert_lightgbm " per convertire il modello in formato " ONNX ".

   from onnxmltools import convert_lightgbm
   from skl2onnx.common.data_types import FloatTensorType
   from onnxmltools.utils import save_model      
   
   initial_types = [("float_input", FloatTensorType([None, X.shape[1]]))]
   onnx_model = convert_lightgbm(model=lgbm_model, initial_types=initial_types)
   onnx_model_filename = "lgbm_model.onnx"
   save_model(onnx_model, onnx_model_filename)
   Copy to clipboardCopiato negli appunti

   Suggerimento:

   Per la risoluzione dei problemi di conversione dei modelli di LightGBM in formato ONNX , vedere Risoluzione dei problemi di Runtime di watsonx.ai.

4. Verificare la conversione : Dopo aver convertito il modello, verificare che il modello funzioni come previsto utilizzando la libreria onnx.

Conversione dei modelli dell' XGBoost , in formato dell' ONNX

Copy link to section

Segui questa procedura per convertire il tuo modello in formato XGBoost nel formato ONNX :

1. Importazione delle librerie : iniziare importando le librerie essenziali, come onnxruntime per l'esecuzione del modello, xgboost per le funzionalità di XGBoost , e altre librerie necessarie per l'applicazione.

2. Creare o scaricare un modello di XGBoost : È possibile creare un modello di XGBoost utilizzando il proprio set di dati o utilizzare modelli forniti da archivi di modelli open source esterni come Hugging Face.

3. Convertire il modello XGBoost in formato ONNX : Per convertire il modello XGBoost in formato ONNX:

   a. Caricare il modello XGboost : È possibile caricare il modello XGBoost utilizzando librerie come pickle:

   xgboost_model = pickle.load(file)
   Copy to clipboardCopiato negli appunti

   b. Esportare il modello : utilizzare la funzione " convert_xgboost " per convertire il modello in formato " ONNX ".

   from onnxmltools import convert_xgboost
   from onnxconverter_common.data_types import FloatTensorType
   from onnxmltools.utils import save_model
   
   initial_types = [("float_input", FloatTensorType([None, X.shape[1]]))]
   onnx_model = convert_xgboost(xgboost_model, initial_types=initial_types)
   onnx_model_filename = "xgboost_onnx_model.onnx"
   save_model(onnx_model, onnx_model_filename)
   Copy to clipboardCopiato negli appunti

4. Verifica della conversione : dopo aver convertito il modello, verificare che funzioni come previsto utilizzando la libreria onnx.

Conversione dei modelli dell' scikit-learn , in formato dell' ONNX

Copy link to section

Segui questa procedura per convertire il tuo modello in formato scikit-learn nel formato ONNX :

1. Importare le librerie : iniziare importando le librerie essenziali, come onnxruntime per l'esecuzione del modello, sklearn per le funzionalità di scikit-learn , skl2onnx per la conversione e altre librerie necessarie per l'applicazione.

2. Creare o scaricare un modello di scikit-learn : È possibile creare un modello di scikit-learn utilizzando il proprio set di dati o utilizzare modelli forniti da archivi di modelli open source esterni come Hugging Face.

3. Convertire il modello scikit-learn in formato ONNX : Per convertire il modello scikit-learn in formato ONNX :

   a. Caricare il modello scikit-learn : È possibile caricare il modello scikit-learn utilizzando librerie come pickle:

   sklearn_model = pickle.load(file)
   Copy to clipboardCopiato negli appunti

   b. Esportare il modello : utilizzare la funzione " to_onnx " per convertire il modello in formato " ONNX ".

   from skl2onnx import to_onnx
   onnx_model = to_onnx(sklearn_model, X, target_opset=19)
   
   with open("sklearn_model.onnx", "wb") as f:
      f.write(onnx_model.SerializeToString())
   Copy to clipboardCopiato negli appunti

4. Verificare la conversione : Dopo aver convertito il modello, verificare che il modello funzioni come previsto utilizzando la libreria onnx.

Distribuzione di modelli convertiti in form ONNX

Copy link to section

Utilizza le specifiche del software " onnxruntime_opset_19 " per distribuire il tuo modello di apprendimento automatico convertito in formato " ONNX ". È necessario specificare le specifiche del software e il tipo di modello quando si memorizza il modello nell'archivio di esecuzione di watsonx.ai. Per ulteriori informazioni, vedere Specifiche software supportate.

Per distribuire modelli convertiti in form ONNX e dall'interfaccia utente, procedere come segue:

1. Nello spazio di distribuzione, andare alla scheda Assets (Risorse).

2. Individuare il modello nell'elenco delle risorse, fare clic sull'icona Menu e selezionare Deploy.

3. Selezionate il tipo di distribuzione per il vostro modello. Scegliete tra le opzioni di distribuzione online e batch.

4. Immettere un nome per l'installazione client e, facoltativamente, un nome di servizio, una descrizione e dei tag.

   Nota:

   • Usare il campo Nome dell'installazione client per specificare un nome per l'installazione client invece dell'ID dell'installazione client.
   • Il nome del servizio deve essere unico all'interno dello spazio dei nomi.
   • Il nome del servizio deve contenere solo questi caratteri: a-z,0-9,_] e deve essere lungo al massimo 36 caratteri.
   • Nei flussi di lavoro in cui il modello di base personalizzato viene utilizzato periodicamente, è consigliabile assegnare al modello lo stesso nome ogni volta che viene utilizzato. In questo modo, dopo aver cancellato e poi distribuito nuovamente il modello, si può continuare a usare lo stesso endpoint nel codice.

5. Selezionare una specifica hardware per il proprio modello.

6. Selezionate una configurazione e una specifica software per il vostro modello.

7. Fare clic su Crea.

Test del modello

Copy link to section

Seguire questi passaggi per testare i modelli distribuiti e convertiti in formato ONNX:

1. Nello spazio di installazione client, aprire la scheda Deployments e fare clic sul nome dell'installazione client.
2. Fare clic sulla scheda Test per immettere un testo di richiesta e ottenere una risposta dall'asset distribuito.
3. Immettere i dati di prova in uno dei seguenti formati, a seconda del tipo di risorsa distribuita:
   • Testo : Immettere i dati di input del testo per generare un blocco di testo come output.
   • JSON : inserire i dati di input JSON per generare l'output in formato JSON.
4. Fare clic su Genera per ottenere risultati basati sulla richiesta.

Notebook di esempio

Copy link to section

I seguenti esempi di notebook mostrano come distribuire modelli di apprendimento automatico convertiti da PyTorch o TensorFlow al formato ONNX utilizzando la libreria client Python :

Argomento principale: Distribuzione di risorse di apprendimento automatico