Blobconverter(旧版)
最后更新
概述
.blob) 格式。 该工具可通过 Web 界面和 API 访问。 本节将指导您完成所有转换选项。转换
BlobConverter Web 界面
- 访问 BlobConverter 网站。
- 选择您希望使用的 OpenVINO 版本。我们将使用 BlobConverter 支持的最新版本,目前是
2022.1。 对于 RAE 和其他 RVC3 设备,您可以直接选择 RVC3。选择版本后, 指明模型来源。在我们的例子中是 ONNX 模型,但也可以上传 IR 格式的模型。然后点击Continue。

- 点击
Choose file上传 ONNX 文件。

- 此外,在进行模型转换之前,您可以通过点击
Advanced自定义 转换参数。

- 最后,点击
Convert,然后等待过程完成。
BlobConverter Python
Command Line
1pip install blobconverterPython
1import blobconverter
2
3blob_path = blobconverter.from_onnx(
4 model="/path/to/model.onnx",
5 data_type="FP16",
6 shaves=6,
7 version="2022.1"
8)BlobConverter API
Use API 按钮找到更多相关信息。注意:BlobConverter 工具也可以自托管。有关此过程的指导,请参阅我们 BlobConverter 存储库中提供的说明。
导出示例
.blob 文件以部署到 OAK 设备。我们将使用 torchvision 访问模型的预训练版本。将模型导出为 ONNX
Python
1import torch
2import torchvision.models as models
3
4# 从 torchvision 加载预训练的 ResNet18 模型
5resnet18 = models.resnet18(pretrained=True)
6
7# 将模型设置为评估模式
8resnet18.eval()
9
10# 创建一个与模型输入形状匹配的虚拟输入张量
11dummy_input = torch.randn(1, 3, 224, 224)
12
13# 将模型导出为 ONNX 文件
14torch.onnx.export(
15resnet18,
16dummy_input,
17'resnet18.onnx',
18export_params=True,
19opset_version=11,
20input_names=['input'],
21output_names=['output']
22)export_params:此标志确保训练好的参数与模型结构一起导出。opset_version:指定要使用的 ONNX 版本。虽然我们通常使用版本 11 以确保与 ResNet18 的要求兼容,但更高版本也可能适用。input_names和output_names:我们使用这些标志来命名模型的输入和输出节点,以提高清晰度。 在我们的示例中,输入节点名为“input”,输出节点名为“output”。- 导出后,您将获得一个名为“resnet18.onnx”的文件,如第三个参数所定义。
使用 BlobConverter 将 ONNX 转换为 .blob
- 访问 BlobConverter 网站。
- 选择合适的 OpenVINO 版本,在此示例中为
2022.1。 - 上传
.onnx文件并在“高级”设置中输入任何必要的模型优化器参数。 --data_type:设置为“FP16”,以与 VPU 处理器兼容的精度。--mean_values:设置为 [123.675, 116.28, 103.53]。这些值对应于 ImageNet 数据集中所有图像(ResNet18 在其上训练)中红色、绿色和蓝色通道的平均值。--scale_values:设置为 [58.395, 57.12, 57.375],这是每个通道的标准差。 此缩放确保输入图像中的像素值范围与训练数据中的范围匹配,这对于模型正确执行很重要。--reverse_input_channels:使用此标志将 BGR 切换为 RGB, 因为Camera节点以 BGR 格式输出帧,而模型需要 RGB 图像。- 因此,最终标志应如下所示:
Command Line
1--data_type=FP16 --mean_values=[123.675,116.28,103.53] --scale_values=[58.395,57.12,57.375] --reverse_input_channels- 点击
Convert开始转换,然后在过程完成后下载.blob文件。

resnet18.blob 文件,该文件已准备好在 OAK 设备上进行推理。 转换后的模型将期望 BGR 格式的图像,像素值范围为 0 到 255。然后,这些图像将按我们设置的标志缩放到 0 到 1 的范围并进行归一化。