Machine Learning: ONNX 1.9 bietet erweiterten Modell-Support

Das Update des Austauschformats für Machine-Learning-Modelle ermöglicht selektiveres Laden von Schemata und unterstützt nun auch MobileNetV3 und YOLOv5.

Lesezeit: 2 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 1 Beitrag
Von
  • Matthias Parbel

Das auf Facebook und Microsoft zurückgehende und mittlerweile von der Linux Foundation im Rahmen eines LF AI & Data Foundation Graduated Project betreute Austauschformat Open Neural Network Exchange (ONNX) liegt neu in Version 1.9 vor. Das Release stellt unter anderem selektiveres Laden von Schemata bereit und unterstützt weitere Modelle für die Objekterkennung – darunter MobileNetV3 und YOLOv5.

Um den Speicherbedarf zur Laufzeit zu reduzieren, bietet ONNX 1.9 flexiblere Optionen beim Laden von Schemata bestimmter Operator-Set-Versionen. In Erweiterung zu RegisterOnnxOperatorSetSchema lässt sich über opset_version eine Version festlegen, wobei dann jeweils nur die letzte, zuvor verwendete Version, noch vorgehalten wird. Anhand einer Statusvariablen lassen sich die geladenen Versionen nachvollziehen.

Als neue Operatoren sind hinzugekommen HardSwish und Trilu sowie der erweiterte Type-Support schließt nun uint8, int8, uint16 und int16 ein. Darüber hinaus steht Anwenderinnen und Anwendern onnx.OnnxParser als neuer Parser für eine textliche Syntax von ONNX-Modellen zur Verfügung. Auch für das Aufteilen mehrere GByte großer Modelle in separate Dateien stehen in ONNX 1.9 überarbeitete Werkzeuge parat.

Rund ein halbes Jahr nach dem Veröffentlichen von ONNX 1.8 hat das ONNX-Team die Software unter der Haube in allen Release-Pipelines auf Python 3.9 aktualisiert, Version 3.5 der Programmiersprache hingegen fällt weg. Die Binärpakete für Linux und macOS sollen künftig kompakter ausfallen. Alle weiteren Details und Neuerungen zu der aktuellen Version ONNX 1.9 lassen sich den Release Notes auf GitHub entnehmen. Weiterführende Hinweise zu dem Projekt und seinen Betreibern finden Interessierte auf der ONNX-Website.

(map)