第4章 ONNX模型可视化

第4章：ONNX模型可视化——用Netron看懂模型结构

说实话，我刚入行那会儿，拿到一个ONNX模型就像拿到一个黑盒子。只知道输入输出，中间发生了什么完全靠猜。直到我遇到了Netron这个工具——嗯，它就像给模型做了个CT扫描，每一层都看得清清楚楚。

这一章，我就带你亲手用Netron打开一个ONNX模型，看懂它的结构、输入输出，还有中间层的特征。我个人习惯，拿到任何模型的第一步，就是先可视化看看长什么样。

4.1 为什么需要可视化？

你想想看，一个ResNet-50的ONNX模型，光文本描述就有几千行。你一行一行去读？不现实。可视化能帮你快速回答三个核心问题：

输入长什么样？ 是1x3x224x224还是别的形状？
输出有几个？ 分类、检测框还是特征图？
中间层有没有坑？ 比如突然来个Reshape把维度搞乱了

我在项目中遇到过，一个同事部署模型时怎么都跑不对，最后可视化一看——输入顺序是NHWC，而NPU驱动默认是NCHW。这种问题，光看代码根本发现不了。

4.2 安装Netron

Netron的安装非常简单。我个人推荐用pip安装，这样随时可以升级：

pip install netron

装完之后，启动方式有两种：

命令行启动： netron model.onnx，会自动打开浏览器
Python脚本启动： 适合集成到你的工具链中

import netron
netron.start('model.onnx')

启动后，浏览器会打开一个本地地址，比如 http://localhost:8080。模型结构就显示在页面上了。

小技巧： 如果你不想安装，也可以直接用Netron的在线版本——打开浏览器访问 netron.app，把ONNX文件拖进去就行。不过我个人建议还是本地装一个，毕竟模型文件有时候涉及保密。

4.3 看懂Netron界面

打开模型后，你会看到一个树状结构。左侧是模型的计算图，右侧是选中节点的详细信息。我来带你认认几个关键部分：

4.3.1 输入节点

输入节点通常在最顶部，用绿色或蓝色标识。点击它，右侧会显示：

名称： 比如 input 或 data
数据类型： float32、int8 等
形状： 比如 [1, 3, 224, 224]

这里要注意，形状中的 1 通常代表batch size。有些模型会写成 dynamic，表示batch size可变。我在NPU适配时遇到过，有些NPU不支持动态batch，必须固定成1。

4.3.2 中间层节点

每个节点代表一个算子，比如Conv、Relu、MaxPool等。点击节点，右侧会显示：

算子类型： 比如 Conv
属性： 卷积核大小、步长、padding等
输入输出形状： 这个最重要！

举个例子，一个Conv节点的属性可能是：

kernel_shape: [3, 3]
strides: [1, 1]
pads: [1, 1, 1, 1]
dilations: [1, 1]
group: 1

这些参数直接决定了NPU上怎么配置硬件算子。我曾经因为没注意 dilations 参数，导致空洞卷积在NPU上实现错了，结果精度掉了2个点。

4.3.3 输出节点

输出节点通常在底部。点击它，可以看到最终输出的形状和数据类型。如果是分类模型，输出形状通常是 [1, 1000]；如果是检测模型，可能有多组输出。

  重点： 输出节点的名称和形状，就是你写后处理代码时的依据。比如输出叫 output，形状是 [1, 84, 8400]，那你就得按这个维度去解析。

4.4 实战：可视化一个ONNX模型

光说不练假把式。我们来实际操作一下。假设你有一个 resnet50.onnx 文件，执行：

netron resnet50.onnx

浏览器打开后，你会看到：

最顶部是输入节点 input，形状 [1, 3, 224, 224]
往下是第一个卷积层 Conv_0，输出形状 [1, 64, 112, 112]
接着是BatchNormalization、Relu、MaxPool...
中间有几个残差块，每个块包含多个卷积
最后是全局平均池化和全连接层，输出 [1, 1000]

你可以用鼠标滚轮缩放，拖动查看细节。我个人习惯先看整体结构，再双击某个残差块展开看内部。

注意： 有些模型非常大，比如YOLOv8的ONNX文件可能有几百个节点。Netron打开时可能会卡一下，别急，等它渲染完。如果实在卡，可以试试用 netron --port 8081 model.onnx 换个端口。

4.5 理解中间层特征

可视化不只是看结构，更重要的是理解中间层特征。我教你一个方法：

选中某个中间层节点，记下它的输出形状
在代码中插入一个 onnxruntime 的中间层输出
对比实际输出和预期形状是否一致

举个例子，你想看第一个卷积层的输出：

import onnxruntime as ort
import numpy as np

sess = ort.InferenceSession('resnet50.onnx')
# 获取中间层名称
intermediate_layer = 'Conv_0'
# 运行推理
input_data = np.random.randn(1, 3, 224, 224).astype(np.float32)
outputs = sess.run([intermediate_layer], {'input': input_data})
print(outputs[0].shape)  # 应该输出 [1, 64, 112, 112]

如果形状对不上，说明模型可能被优化过了，或者你找错了节点名称。Netron里显示的节点名称，就是你在代码里要用的那个。

4.6 避坑指南

做模型可视化这么多年，我踩过不少坑。分享几个给你：

节点名称重复： 有些模型导出时，节点名称会自动生成，比如 Conv_0、Conv_1。但如果你自己写代码时用了相同的名称，Netron会显示混乱。我建议导出模型时用 opset_version 参数控制一下。
输入输出名称不对： 有时候模型输入叫 input.1，输出叫 output.1。你写推理代码时一定要用Netron里看到的名称，别想当然。
动态形状： 有些模型的输入形状是 dynamic，比如 [?, 3, ?, ?]。这种模型在NPU上适配起来比较麻烦，因为NPU通常需要固定形状。我建议先用 onnx.shape_inference 工具把形状固定下来。

我的习惯： 拿到一个新模型，第一件事就是Netron打开，截图保存。然后对照截图写推理代码。这样即使模型换了，我也能快速定位问题。

4.7 小结

这一章我们学了：

Netron的安装和启动
看懂输入、中间层、输出节点
实战可视化一个ONNX模型
理解中间层特征的方法
几个常见的避坑点

下一章，我们会深入ONNX的算子集，看看每个算子到底在做什么。到时候你会发现，可视化只是第一步，真正理解算子才是关键。

好了，快去打开你的模型看看吧。有什么问题，咱们下章见。

📚 课程目录