X2Paddle

🆕 新开源项目FastDeploy

若您的最终目的是用于模型部署，当前飞桨提供FastDeploy，提供📦开箱即用的云边端部署体验, 支持超过 🔥150+ Text, Vision, Speech和跨模态模型，并实现🔚端到端的推理性能优化。

• 欢迎Star🌟 https://github.com/PaddlePaddle/FastDeploy
• YOLOv5 C++ & Python 部署示例
• YOLOv6 C++ & Python 部署示例
• YOLOv7 C++ & Python 部署示例
• RetinaFace C++ & Python 部署示例
• YOLOv5Face 安卓部署示例

【问卷调查】 为了更好的推进飞桨框架以及X2Paddle的迭代开发，诚邀您参加我们的问卷，期待您的宝贵意见:https://iwenjuan.baidu.com/?code=npyd51

简介

X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，我们还提供了详细的不同框架间API对比文档，降低开发者将模型迁移到飞桨的时间成本。

特性

• 支持主流深度学习框架

  • 目前已经支持Caffe/TensorFlow/ONNX/PyTorch四大框架的预测模型的转换，PyTorch训练项目的转换，涵盖了目前市面主流深度学习框架

• 支持的模型丰富

  • 在主流的CV和NLP模型上支持大部分模型转换，目前X2Paddle支持130+ PyTorch OP，90+ ONNX OP，90+ TensorFlow OP 以及 30+ Caffe OP，详见 支持列表

• 简洁易用

  • 一条命令行或者一个API即可完成模型转换

能力

• 预测模型转换

  • 支持Caffe/TensorFlow/ONNX/PyTorch的模型一键转为飞桨的预测模型，并使用PaddleInference/PaddleLite进行CPU/GPU/Arm等设备的部署

• PyTorch训练项目转换

  • 支持PyTorch项目Python代码（包括训练、预测）一键转为基于飞桨框架的项目代码，帮助开发者快速迁移项目，并可享受AIStudio平台对于飞桨框架提供的海量免费计算资源【新功能，试一下！】

• API对应文档

  • 详细的API文档对比分析，帮助开发者快速从PyTorch框架的使用迁移至飞桨框架的使用，大大降低学习成本 【新内容，了解一下！】

安装

环境依赖

• python >= 3.5
• paddlepaddle >= 2.2.2
• tensorflow == 1.14 (如需转换TensorFlow模型)
• onnx >= 1.6.0 (如需转换ONNX模型)
• torch >= 1.5.0 (如需转换PyTorch模型)
• paddlelite >= 2.9.0 (如需一键转换成Paddle-Lite支持格式,推荐最新版本)

pip安装(推荐）

如需使用稳定版本，可通过pip方式安装X2Paddle：

pip install x2paddle

源码安装

如需体验最新功能，可使用源码安装方式：

git clone https://github.com/PaddlePaddle/X2Paddle.git
cd X2Paddle
git checkout develop
python setup.py install

快速开始

功能一：推理模型转换

PyTorch模型转换

from x2paddle.convert import pytorch2paddle
pytorch2paddle(module=torch_module,
               save_dir="./pd_model",
               jit_type="trace",
               input_examples=[torch_input])
# module (torch.nn.Module): PyTorch的Module。
# save_dir (str): 转换后模型的保存路径。
# jit_type (str): 转换方式。默认为"trace"。
# input_examples (list[torch.tensor]): torch.nn.Module的输入示例，list的长度必须与输入的长度一致。默认为None。

script模式以及更多细节可参考PyTorch模型转换文档。

TensorFlow模型转换

x2paddle --framework=tensorflow --model=tf_model.pb --save_dir=pd_model

ONNX模型转换

x2paddle --framework=onnx --model=onnx_model.onnx --save_dir=pd_model

Caffe模型转换

x2paddle --framework=caffe --prototxt=deploy.prototxt --weight=deploy.caffemodel --save_dir=pd_model

转换参数说明

参数	作用
--framework	源模型类型 (tensorflow、caffe、onnx)
--prototxt	当framework为caffe时，该参数指定caffe模型的proto文件路径
--weight	当framework为caffe时，该参数指定caffe模型的参数文件路径
--save_dir	指定转换后的模型保存目录路径
--model	当framework为tensorflow/onnx时，该参数指定tensorflow的pb模型文件或onnx模型路径
--input_shape_dict	[可选] For ONNX, 定义ONNX模型输入大小
--caffe_proto	[可选] 由caffe.proto编译成caffe_pb2.py文件的存放路径，当存在自定义Layer时使用，默认为None
--define_input_shape	[可选] For TensorFlow, 当指定该参数时，强制用户输入每个Placeholder的shape，见文档Q2
--enable_code_optim	[可选] For PyTorch, 是否对生成代码进行优化，默认为False
--to_lite	[可选] 是否使用opt工具转成Paddle-Lite支持格式，默认为False
--lite_valid_places	[可选] 指定转换类型，可以同时指定多个backend(以逗号分隔)，opt将会自动选择最佳方式，默认为arm
--lite_model_type	[可选] 指定模型转化类型，目前支持两种类型：protobuf和naive_buffer，默认为naive_buffer
--disable_feedback	[可选] 是否关闭X2Paddle使用反馈；X2Paddle默认会统计用户在进行模型转换时的成功率，以及转换框架来源等信息，以便于帮忙X2Paddle根据用户需求进行迭代，不会上传用户的模型文件。如若不想参与反馈，可指定此参数为False即可

X2Paddle API

目前X2Paddle提供API方式转换模型，可参考X2PaddleAPI

一键转换Paddle-Lite支持格式

可参考使用X2paddle导出Padde-Lite支持格式

功能二：PyTorch模型训练迁移

项目转换包括3个步骤

1. 项目代码预处理
2. 代码/预训练模型一键转换
3. 转换后代码后处理

详见PyTorch训练项目转换文档。

使用VisualDL进行模型转换

飞桨可视化工具VisualDL已经将模型转换工具部署在官网提供服务，可以点击服务链接进行在线的ONNX2Paddle模型转换。

使用教程

1. TensorFlow预测模型转换教程
2. MMDetection模型转换指南
3. PyTorch预测模型转换教程
4. PyTorch训练项目转换教程

:hugs:贡献代码:hugs:

我们非常欢迎您为X2Paddle贡献代码或者提供使用建议。如果您可以修复某个issue或者增加一个新功能，欢迎给我们提交Pull Requests，如果有PyTorch训练项目转换需求欢迎随时提issue~