معرفی شرکت ها
deeplite-model-converter-1.2.4
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Converter of Deep Learning Model Formats
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | deeplite-model-converter-1.2.4 |
| نام | deeplite-model-converter |
| نسخه کتابخانه | 1.2.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Deeplite |
| ایمیل نویسنده | support@deeplite.ai |
| آدرس صفحه اصلی | https://github.com/Deeplite/deeplite-model-converterr |
| آدرس اینترنتی | https://pypi.org/project/deeplite-model-converter/ |
| مجوز | Apache 2.0 |
<p align="center">
<img src="https://docs.deeplite.ai/neutrino/_static/content/deeplite-logo-color.png" />
</p>
<!-- [](https://travis-ci.com/Deeplite/deeplite-profiler) [](https://codecov.io/gh/Deeplite/deeplite-profiler) -->
# Deeplite Model Converter
Collaboration is one of the biggest challenge is designing deep learning based solutions. There are multiple formats available using which a deep learning mdoel can be expressed: PyTorch, Tensorflow, ONNX, TFLite. This open source converter library aims to convert convert deep learning models from one format to another.
* [Installation](#Installation)
* [Install using pip](#Install-using-pip)
* [Install from source](#Install-from-source)
* [Install in Dev mode](#Install-in-dev-mode)
* [How to Use](#How-to-Use)
* [PyTorch2ONNX](#PyTorch2ONNX)
* [TF2TFLite](#TF2TFLite)
* [Examples](#Examples)
* [Supported Converters](#Supported-Converters)
* [Contribute a Converter](#Contribute-a-Converter)
## Install using pip
Use following command to install the package from our internal PyPI repository.
```console
$ pip install --upgrade pip
$ pip install deeplite-model-converter
```
## Install from source
```console
$ git clone https://github.com/Deeplite/deeplite-model-converter.git
$ pip install .
```
## Install in Dev mode
```console
$ git clone https://github.com/Deeplite/deeplite-model-converter.git
$ pip install -e .
$ pip install -r requirements-test.txt
```
To test the installation, one can run the basic tests using `pytest` command in the root folder.
> **_NOTE:_** Currently, we support Tensorflow 2.4+ versions, and onnxruntime 1.8. We _do not_ support all the OPSET versions of ONNX, yet.
# How to Use
## PyTorch2ONNX
```python
# Step 1: Define native pytorch dataloaders and model
data_splits = /* ... load iterable data loaders ... */
model = /* ... load native deep learning model ... */
# Step 2: Instantiate a converter object
pytorch2onnx = PyTorch2ONNX(model=model)
pytorch2onnx.set_config(precision='fp32', device=Device.CPU)
# Step 3: Convert the format and save
dataloader = TorchProfiler.enable_forward_pass_data_splits(data_splits)
rval = pytorch2onnx.convert(dataloader, dynamic_input='bchw', path="model.onnx")
```
## TF2TFLite
```python
# Step 1: Define native Tensorflow model
model_conc_functions = /* ... load TF native model as concrete functions ... */
# Step 2: Instantiate a converter object
tf2tflite = TF2TFLite(model=model_conc_functions)
# Step 3: Convert the format and save
tflite_model, rval = tf2tflite.convert()
tf2tflite.save(tflite_model, "model.tflite")
```
# Examples
To run an example,
```
pip install deeplite-torch-zoo
python examples/converters/pytorch2tflite.py
```
# Supported Converters
The following converters are supported till now,
* pytorch2onnx
* pytorch2jit
* onnx2tf
* tf2tflite
# Contribute a Converter
We always welcome community contributions to expand the scope of `deeplite-model-converter` and also to have additional new converters. In general, we follow the `fork-and-pull` Git workflow.
1. **Fork** the repo on GitHub
2. **Clone** the project to your own machine
3. **Commit** changes to your own branch
4. **Push** your work back up to your fork
5. Submit a **Pull request** so that we can review your changes
**NOTE**: Be sure to merge the latest from "upstream" before making a pull request!
نیازمندی
| مقدار | نام |
|---|---|
| >=1.2.1 | deeplite-profiler |
| <1.12.0 | onnx |
| ==1.10.0 | onnxruntime |
| ==0.3.9 | onnx-simplifier |
| <65.6.0 | setuptools |
| ==0.2.7 | onnxoptimizer |
| <=1.8.1,>=1.4 | torch |
| ==2.5 | tensorflow |
| ==1.8.0 | onnx-tf |
| ==2.5 | tensorflow |
| ==1.8.0 | onnx-tf |
| <=1.8.1,>=1.4 | torch |
نحوه نصب
نصب پکیج whl deeplite-model-converter-1.2.4:
pip install deeplite-model-converter-1.2.4.whl
نصب پکیج tar.gz deeplite-model-converter-1.2.4:
pip install deeplite-model-converter-1.2.4.tar.gz