Description
ONNX, qui signifie Open Neural Network Exchange, est une norme ouverte cruciale dans l'écosystème de l'apprentissage automatique. Son objectif principal est de faciliter l'interopérabilité entre divers frameworks d'apprentissage profond. Dans le domaine en évolution rapide de l'IA, les développeurs travaillent souvent avec plusieurs frameworks tels que PyTorch, TensorFlow, Keras et d'autres, chacun ayant ses propres forces et cas d'utilisation préférés. ONNX répond au défi de déplacer des modèles de manière transparente entre ces différents environnements.
Lire la suite
La norme définit un ensemble commun d'opérateurs et un format de fichier commun pour représenter les modèles d'apprentissage profond. Cela signifie qu'un modèle entraîné dans un framework peut être exporté au format ONNX, puis importé et exécuté dans un autre framework qui prend en charge ONNX. Cette capacité est inestimable pour les chercheurs et les ingénieurs qui ont besoin de flexibilité dans leur chaîne d'outils, leur permettant de tirer parti des meilleures fonctionnalités de chaque framework sans être enfermés dans un écosystème unique.
Le dépôt GitHub d'ONNX sert de plaque tournante centrale pour le développement de cette norme ouverte. Il contient les spécifications de base, des implémentations de référence, de la documentation et des contributions de la communauté. Le dépôt est activement maintenu, avec des mises à jour fréquentes reflétant les avancées en apprentissage automatique et les besoins de la communauté. Il comprend divers composants tels que des définitions pour les opérateurs, des structures de graphes et des types de données, tous conçus pour garantir une représentation robuste et cohérente des modèles.
Les capacités clés d'ONNX incluent la portabilité des modèles, l'optimisation et le déploiement. En fournissant une représentation unifiée, ONNX permet d'appliquer des outils d'optimisation de modèles de manière universelle, quel que soit le framework d'entraînement d'origine. Cela peut conduire à une amélioration des performances d'inférence sur divers cibles matérielles, des serveurs cloud aux dispositifs en périphérie. De plus, ONNX simplifie le processus de déploiement, car de nombreux moteurs d'inférence et accélérateurs matériels offrent un support natif pour ONNX.
Le public cible d'ONNX comprend des chercheurs en apprentissage automatique, des scientifiques des données, des ingénieurs en IA et des développeurs travaillant sur le déploiement de modèles d'IA. Sa proposition de valeur réside dans la réduction des frictions dans le cycle de développement et de déploiement des modèles, la promotion de la collaboration et l'accélération de l'innovation au sein de la communauté IA. La nature open-source du projet encourage une large participation et garantit que la norme évolue pour répondre aux divers besoins de ses utilisateurs.
- CatégorieCodage et développement
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Fonctionnalités principales de ONNX
Norme ouverte pour l'interopérabilité de l'apprentissage automatique
Format de représentation de modèle commun
Support pour divers frameworks d'apprentissage profond
Facilite la portabilité des modèles
Permet l'optimisation des modèles entre frameworks
Dépôt GitHub actif pour le développement
Documentation complète pour les opérateurs et les structures de graphes
Développement et contributions pilotés par la communauté
Simplifie le déploiement des modèles d'IA
Implémentations de référence disponibles
Contrôle de version pour les spécifications et le code
Intégration continue pour l'assurance qualité
Gestion des vulnérabilités de sécurité
Feuille de route pour le développement futur
Premiers pas avec ONNX
Cloner le dépôt : Utilisez `git clone https://github.com/onnx/onnx.git` pour obtenir le dernier code source.
Installer les dépendances : Suivez le guide `INSTALL.md` pour configurer les outils de construction et les bibliothèques nécessaires.
Construire ONNX : Compilez la bibliothèque et les outils ONNX en utilisant les scripts de construction fournis ou les configurations CMake.
Intégrer les modèles : Exportez vos modèles d'apprentissage automatique depuis des frameworks comme PyTorch ou TensorFlow vers le format ONNX.
Exécuter l'inférence : Chargez les modèles ONNX dans des moteurs d'inférence compatibles pour le déploiement et l'exécution.
Contribuer : Soumettez des demandes de tirage pour des corrections de bogues, de nouvelles fonctionnalités ou des améliorations de documentation en suivant `CONTRIBUTING.md`.
Cas d'utilisation de ONNX
- Portabilité des modèles entre frameworks
- Optimisation des modèles
- Déploiement sur dispositifs en périphérie
- Services d'inférence cloud
- Collaboration en recherche
- Accélération matérielle
- Versionnage des modèles








