pintrend导出onnx模型精度问题

[aiwenzhu]

训练好的pointrend模型使用官方的额export_onnx.py导出onnx发现在np.testing.assert_allclose(onnx_out, paddle_out, rtol=0, atol=1e-03)报错，代码如下，也使用了paddle2onnx来导出模型实测发现精度不一致

def export_onnx(args): args.config = '/workspace/PaddleSeg/configs/pointrend/pointrend_resnet50_os8_voc12aug_512x512_40k.yml' args.model_path = '/workspace/PaddleSeg/output/best_model118/model.pdparams' args.width = 800 args.height = 640 assert args.config is not None, 'Please set --config path/to/yml' cfg = Config(args.config) builder = SegBuilder(cfg) model = builder.model if args.model_path is not None: utils.load_entire_model(model, args.model_path) logger.info('Loaded trained params of model successfully')

model.eval() if args.print_model: print(model)

input_shape = [1, 3, args.height, args.width] print("input shape:", input_shape) input_data = np.random.random(input_shape).astype('float32') model_name = os.path.basename(args.config).split(".")[0]

paddle_out = run_paddle(model, input_data) print("out shape:", paddle_out.shape) print("The paddle model has been predicted by PaddlePaddle.\n")

input_spec = paddle.static.InputSpec(input_shape, 'float32', 'x') onnx_model_path = os.path.join(args.save_dir, model_name + "_model") paddle.onnx.export( model, onnx_model_path, input_spec=[input_spec], opset_version=11) print("Completed export onnx model.\n")

onnx_model_path = onnx_model_path + ".onnx" onnx_out = check_and_run_onnx(onnx_model_path, input_data) assert onnx_out.shape == paddle_out.shape np.testing.assert_allclose(onnx_out, paddle_out, rtol=0, atol=1e-03) print("The paddle and onnx models have the same outputs.\n")

[Jiang-Jia-Jun]

对于分割类模型，一般来说分存在两种输出情况（不一定同时存在）

1. 输出结果为各个像素点的置信度
2. 输出结果为各个像素点的分类结果 其中第2种结果一般是对第1种结果取argmax后得到的分类index

因此，如果我们对第1种结果做assert_allclose，这个应该是没有问题的。 但如果对第2点种结做assert_allclose，可能会出现的情况是，两者在置信度上差值很小，但在极端情况会导致最终的分类结果有差异，而分类结果都是整数的，会导致assert_allclose失败。

因此，从我的经验来看，对于第2种结果不应该取assert_allclose，而是看分类正确的像素点占比是多少。一种做法就是percent = np.sum(paddle_out == onnx_out)

[aiwenzhu]

对于分割类模型，一般来说分存在两种输出情况（不一定同时存在）

1. 输出结果为各个像素点的置信度
2. 输出结果为各个像素点的分类结果 其中第2种结果一般是对第1种结果取argmax后得到的分类index

因此，如果我们对第1种结果做assert_allclose，这个应该是没有问题的。 但如果对第2点种结做assert_allclose，可能会出现的情况是，两者在置信度上差值很小，但在极端情况会导致最终的分类结果有差异，而分类结果都是整数的，会导致assert_allclose失败。

因此，从我的经验来看，对于第2种结果不应该取assert_allclose，而是看分类正确的像素点占比是多少。一种做法就是percent = np.sum(paddle_out == onnx_out)

你好，我后来使用deeplabv3p也训练了模型去导出onnx测试，发现也是onnx版的结果不如pytorch结果，是否与我训练的图片尺寸不一致有关，我发现使用paddle2onnx导出的模型的输入是动态的，而pytorch模型的输入是固定的，因为我配置文件中的crop_size设置了固定值？但是我如果按照官方的代码把原图pading到固定大小输入到onnx发现结果完全不对，而使用上边的def export_onnx(args):代码导出的onnx有一一直跟pytorch的推理结果有差别

[Jiang-Jia-Jun]

在转模型过程，一般直接对比模型的输入输出diff，确保模型的正确性。 对于效果上的影响，固定shape和动态shape，对于效果肯定是有差异的。

[aiwenzhu]

在转模型过程，一般直接对比模型的输入输出diff，确保模型的正确性。 对于效果上的影响，固定shape和动态shape，对于效果肯定是有差异的。

你好，那我现在是需要用paddle2onnx导出固定shape吗，我没看到paddle2onnx里有固定shape的参数