标签: coremltools

我正在尝试在CoreML中实现一个自定义层,它解决了ktf.image.resize_images在Swift中作为自定义图层类执行功能的Lambda层.

这是我的Phyton脚本:

def resizeImage(x, size):
    return ktf.image.resize_images(x, size)

def convert_lambda(layer):
    if layer.function == resizeImage:
        params = NeuralNetwork_pb2.CustomLayerParams()

        params.className = "resizeImage"
        params.description = "Decoder Resizing"

        params.parameters["scale"].intValue = layer.arguments["size"][0].value

        print("LAMBDA CONVERSION = Size embedded to CoreML Model: %d" % layer.arguments["size"][0].value)

        return params
    else:
        return None

...

for i in range(decoder_n):
    strides = 1
    reverse_i = decoder_n - i - 1
    size = encoder_layers[decoder_n - i - 1].shape[1:3]
    out_channels = 2 ** ((decoder_n - i - 2) // 3 + 5) …

我已经转换一个Keras模型到使用核心ML模型coremltools。原始的 Keras 模型具有以下架构：

__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
word_embeddings (InputLayer)    (None, 30)           0                                            
__________________________________________________________________________________________________
embedding (Embedding)           (None, 30, 256)      12800000    input_1[0][0]                    
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 30, 256)      0           embedding[0][0]                  
__________________________________________________________________________________________________
bi_lstm_0 (Bidirectional)       (None, 30, 1024)     3149824     activation_1[0][0]               
__________________________________________________________________________________________________
bi_lstm_1 (Bidirectional)       (None, 30, 1024)     6295552     bi_lstm_0[0][0]                  
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 30, 2304)     0           bi_lstm_1[0][0]                  
                                                                 bi_lstm_0[0][0]                  
                                                                 activation_1[0][0]               
__________________________________________________________________________________________________
attlayer (AttentionWeightedAver (None, 2304)         2304        concatenate_1[0][0]              
__________________________________________________________________________________________________
softmax (Dense)                 (None, 64)           147520      attlayer[0][0]                   
==================================================================================================

我可以使用以下输入对 …

我正在尝试将我的* .pb张量流模型转换为coreML。我被困在确定模型的输出节点上。

为了获取我的输出节点，我尝试在我的* .pb文件上构建并运行summary_graph，但是遇到了问题。下载源代码后如何构建和运行summary_graph？

我运行了以下命令：

bazel build tensorflow/tools/graph_transforms:summarize_graph
bazel-bin/tensorflow/tools/graph_transforms/summarize_graph --in_graph=tensorflow_inception_graph.pb

我收到以下错误：

信息：分析了0个目标（已加载0个软件包）。INFO：找到0个目标... INFO：经过时间：0.389s，关键路径：0.01s INFO：构建成功完成，总共执行了1次操作bazel-bin / tensorflow / tools / graph_transforms / summarize_graph：无此类文件或目录

发出bazel命令后，空白的bazel-bin目录出现在我执行命令的位置。

注意，我的tensorflow安装中不存在summary_graph。所以我从github tensorflow / tools / graph_transforms下载了源代码，并将其复制到了我的tensorflow / tools / graph_transforms目录中。

该目录包含以下内容：

建立README.md init .py init.pyc add_default_attributes.cc add_default_attributes_test.cc backports.cc backports_test.cc compare_graphs.cc fake_quantize_training.cc fake_quantize_training_test.cc file_utils.cc file_utils.h file_utils_test.cc flatten_atrous.cc flat.fold_ants_cs_fold.fold_ants_fold.fold_ants.fold_fold。 fold_constants_test.cc fold_old_batch_norms.cc fold_old_batch_norms_test.cc freeze_requantization_ranges.cc freeze_requantization_ranges_test.cc fuse_convolutions.cc fuse_convolutions_test.cc insert_logging.cc insert_logging_test.cc obfuscate_names.cc obfuscate_names_test.cc出蟒蛇quantize_nodes.cc quantize_nodes_test.cc quantize_weights.cc quantize_weights_test.cc remove_attribute.cc remove_attribute_test.cc remove_device.cc remove_device_test.cc remove_ema.cc remove_ema_test。毫升.cc transform_graph.cc transform_graph.h transform_graph_main.cc transform_graph_test.cc transform_utils.cc transform_utils.h transform_utils_test.cccc strip_unused_nodes_test.cc summary_graph_main.cc …

我有以下错误: 运行此脚本时https://pastebin.com/X7146Ury.

AttributeError: 'InputLayer' object has no attribute 'inbound_nodes'

新手问题。我一直在尝试将此 PyTorch 模型转换为 CoreML 模型。我已按照此处的指南进行操作，但无法使其正常工作。我尝试了跟踪和脚本编写，但遇到了错误，这些错误暗示 TorchScript 中可能不支持某个操作：

错误torch.jit.trace：RuntimeError: PyTorch convert function for op 'pythonop' not implemented

错误torch.jit.script：RuntimeError: Python builtin <built-in method apply of FunctionMeta object at 0x7fa37e2ad600> is currently not supported in Torchscript

我怀疑可能无法将任何 PyTorch 模型转换为 CoreML 模型。是这样吗？我可以在不深入 PyTorch 操作和层的情况下以某种方式克服这些错误吗？

我的 python 脚本以防万一（模型在本地加载）：

import warnings
import torch
import torch.nn as nn
import coremltools as ct

from efficientnet_pytorch import EfficientNet
from torchvision import datasets, models, transforms
from PIL import Image

# …

我创建了一个 TensorFlow 模型，然后通过 coremltools.convert 将其转换为 .mlmodel

重新加载 .mlmodel，我尝试通过 Google Colab 使用模型进行预测，但遇到以下错误：

例外：仅 macOS 版本 10.13 或更高版本支持模型预测。

在本地，我使用的是 Big Sur 版本 11.4 的 M1 MacBook Pro，所以我真的不明白这个错误是如何发生的，除非 Google Colab 使用不同的操作系统？

我正在使用预训练的 mlmodel 进行图像分类。该模型将 3 x 224 x 224 MultiArray 作为输入作为图像格式。对于我当前的应用程序，我正在使用 UIImage。有没有办法将 UIImage 转换为 MLMultiArray？

我已经看到了一些关于从 Keras 模型转换为 CoreML 模型的答案，但我的模型已经是 mlmodel 格式并且无法访问数据。

我正在尝试将 TFLite Face Mesh 模型转换为 MLModel (Apple)。

TFLite 型号说明： https://drive.google.com/file/d/1VFC_wIpw4O7xBOiTgUldl79d9LA-LsnA/view

TFLite实际.tflite文件： https://github.com/google/mediapipe/blob/master/mediapipe/models/face_landmark.tflite

查看 Apple 提供的 CoreMLTools ( https://coremltools.readme.io/docs/introductory-quickstart ) 似乎是可能的，但所有示例代码都演示了来自Keras和不来自的对话TFLite（尽管明确支持）：

如何将 TFLite 模型转换为 MLModel 模型？