分类模型onnx转换rknn之后推理结果不相同

ONNX的分类模型转换成rknn模型之后进行推理时与原模型推理得到的结果不一致，想问下是为什么，下边是模型转换的代码和推理的代码
模型转换：
# -*- coding: utf-8 -*-
'''
    convert the onnx model to rknn model
'''

from rknn.api import RKNN

INPUT_SIZE = 112

if __name__ == '__main__':
    # 创建RKNN执行对象
    rknn = RKNN(verbose=True, verbose_file='./log/convert_smoke.log')
    # 配置模型输入，用于NPU对数据输入的预处理
    # channel_mean_value='0 0 0 255'，那么模型推理时，将会对RGB数据做如下转换
    # (R - 0)/255, (G - 0)/255, (B - 0)/255。推理时，RKNN模型会自动做均值和归一化处理
    # reorder_channel=’0 1 2’用于指定是否调整图像通道顺序，设置成0 1 2即按输入的图像通道顺序不做调整
    # reorder_channel=’2 1 0’表示交换0和2通道，如果输入是RGB，将会被调整为BGR。如果是BGR将会被调整为RGB
    # 图像通道顺序不做调整
    rknn.config(batch_size=256,
                channel_mean_value='0 0 0 1',
                reorder_channel='0 1 2'
                )

    # 加载ONNX模型
    # tf_pb='digital_gesture.pb'指定待转换的TensorFlow模型
    # inputs指定模型中的输入节点
    # outputs指定模型中输出节点
    # input_size_list指定模型输入的大小
    print('--> Loading model')
    rknn.load_onnx('./model/resnet-nobn-v4.onnx')
    print('done')

    # 创建解析pb模型
    # do_quantization=False指定不进行量化
    # 量化会减小模型的体积和提升运算速度，但是会有精度的丢失
    print('--> Building model')
    rknn.build(do_quantization=False)
    print('done')

    # 导出保存rknn模型文件
    rknn.export_rknn('./model/resnet_classify_batchsize256.rknn')

    # Release RKNN Context
    rknn.release()


推理：
# -*- coding: utf-8 -*-
'''
    inference the rknn model and get output
'''

import numpy as np
import cv2
import os
from rknn.api import RKNN
import time


# 解析模型的输出，获得概率最大的手势和对应的概率
def get_predict(probability):
    data = probability[0][0]
    data = data.tolist()
    max_prob = max(data)
    return data.index(max_prob), max_prob, data


def load_model():
    # 创建RKNN对象
    rknn = RKNN(verbose=False)
    # 载入RKNN模型
    print('-->loading model')
    rknn.load_rknn('./model/resnet_classify_batchsize256.rknn')
    print('loading model done')
    # 初始化RKNN运行环境
    print('--> Init runtime environment')
    # todo:suport 'rk3399pro','rk1808'; default is NoneC
    ret = rknn.init_runtime(target=None, perf_debug=False)
    if ret != 0:
        print('Init runtime environment failed')
        exit(ret)
    print('done')
    return rknn


def img_preprocess(img, width, height):
    '''
        BGRimg--->RGBimg
    :param img:
    :param width:
    :param height:
    :return:
    '''
    img_BGR = cv2.resize(img, (width, height))
    img = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)
    img = img - 127.5
    input_image = img[:, :, :, np.newaxis]
    input_image = input_image.transpose([3, 2, 0, 1]).astype('float32')

    return input_image


def predict(rknn, img_dir):
    for file in os.listdir(img_dir):
        if not file.endswith('.jpg'):
            continue
        img_file = os.path.join(img_dir, file)
        print(img_file)
        img = cv2.imread(img_file)
        imput_image = img_preprocess(img, 112, 112)
        begin = time.time()
        outputs = rknn.inference(inputs=[imput_image])  # 运行推理，得到推理结果
        end = time.time()
        print('it costs %0.3fms' % ((end - begin) * 1000))
        pred, prob, output_list = get_predict(outputs)  # 将推理结果转化为可视信息
        print('result:%s' % pred)
        # print('max_val:', prob)
        print('output_list', output_list)
        print('---------------------------')


if __name__ == "__main__":
    rknn = load_model()
    predict(rknn, img_dir='/home/DATA/')

    rknn.release()


想知道问题出在了哪

模型转换时提示warning:
--> Loading model
W Unhandle status: the input shape of reshape layer Flatten_46_3 is not 4-D
done
--> Building model
W Unhandle status: the input shape of reshape layer Flatten_46_3 is not 4-D
done


是因为flatten层的问题吗

看代码是看不出原因的，你需要逐层调试，改变输入和输出位置，逐步对调试出哪一层出的问题。

jefferyzhang 发表于 2019-10-13 12:07
看代码是看不出原因的，你需要逐层调试，改变输入和输出位置，逐步对调试出哪一层出的问题。
...

那官网有onnx的示例吗，我没找到onnx的，只看到了tf,caffe,rflite的

zxs 发表于 2019-10-15 09:16
那官网有onnx的示例吗，我没找到onnx的，只看到了tf,caffe,rflite的

我找了下貌似是没有直接的sample，但在rknn的开发文档里有load_onnx的接口，你可以参考下。
用的话是肯定可以用的，我们客户有用pytorch转onnx转pb的。