引子

在深度学习CV领域，最初2012年突破的就是图像分类，发展这么多年，基本上已经没有什么进展了。此篇作为之前EfficientNet挽留过的总结，现在整理下，OK，让我们开始吧。

一、EfficientNet安装

1、pytorch版本网址：GitHub - lukemelas/EfficientNet-PyTorch: A PyTorch implementation of EfficientNet and EfficientNetV2 (coming soon!)

2、pip install efficientnet_pytorch

二、特征提取网络修改

1、修改EfficientNet原始代码model.py中extract_features函数如下图：

新增红框中pool层，修改特征输出维度，重新训练，训练log如下：

2、pth模型转onnx

import torch
from efficientnet_pytorch import EfficientNet
import torch.nn as nnnet_path=r'efficientnet-b0_1.pth'
model=torch.load(net_path)model.set_swish(memory_efficient=False)
model.eval()input_names = ["input"]
output_names = ["output"]
onnx_names= "NonplateColor.onnx"
dynamic = True
if dynamic:dummy_input = torch.randn(1, 3, 224, 224, device='cuda')dynamic_axes = {"input":{0:"batch_size"},"output":{0:"batch_size"}}torch.onnx.export(  model, dummy_input, onnx_names, verbose=False, input_names=input_names, output_names=output_names,dynamic_axes=dynamic_axes,do_constant_folding= True,opset_version=10,)   
else:   dummy_input = torch.randn(1, 3, 224, 224, device='cuda')torch.onnx.export(model, dummy_input, onnx_names, verbose=True, input_names=input_names, output_names=output_names)

3、onnx模型删减网络层

import onnxonnx_model = onnx.load("EfficientNetType1115.onnx")
graph = onnx_model.graph
node  = graph.node# 909节点为要删除的Conv节点
old_scale_node = node[254]
old_scale_node1 = node[255]
old_scale_node2 = node[256]
# 删除旧节点
graph.node.remove(old_scale_node)  
graph.node.remove(old_scale_node1)
graph.node.remove(old_scale_node2)
# 上一节点
gap_node = node[253]
# 连接输出
gap_node.output[0] = 'output'# 修改输出维度
for output in onnx_model.graph.output:d = output.type.tensor_type.shape.dim# d[0].dim_value= 'batch_size'd[1].dim_value = 1280# 保存新的模型
onnx.checker.check_model(onnx_model)
onnx.save(onnx_model, 'out.onnx')