pytorch 模型的 Coreml 模型浮点输入

Question

我有一个 pytorch 模型，它以 3 x width x height 图像作为输入，像素值在 0-1 之间标准化

例如，在 pytorch 中输入

img = io.imread(img_path)
input_img =  torch.from_numpy( np.transpose(img, (2,0,1)) ).contiguous().float()/255.0

我将此模型转换为 coreml 并导出了一个 mlmodel，它采用正确尺寸的输入

Image (Color width x height)

但是，我的预测是不正确的，因为模型期望 0-1 和 cvpixelbuffer 之间的浮点值是 int bwetween 0-255

我试图像这样规范化模型内部的值，

z = x.mul(1.0/255.0) # div op is not supported for export yet

但是，当此操作在 coreml 级别的模型内部完成时，int * float 被强制转换为 int 并且所有值本质上都是 0

Cast op 不支持导出，例如 x = x.float()

如何确保我的输入适合预测？本质上，我想将pixel rgb and float divide 255.0 传递给模型进行推理？

Answer 1

我使用 coreml onnx 转换器的 preprocessing_args 解决了这个问题，

preprocessing_args= {'image_scale' : (1.0/255.0)}

希望这对某人有所帮助