现在，生活中处处都是AI的影子，手机中照片自动优化，自动抠图，照片自动根据人脸分组。抖音直播中送的眼镜，甚至是现在的文生图、图生图，都是AI模型。所以，我认为每个工程师都应该了解和使用模型，看到喜欢的模型，就动动手用起来，丰富自己的工具栈。
如果将视觉模型按照LLM工具调用方式嵌入到大语言模型应用中，给大语言模型插上视觉模型必定能让你的LLM应用更为有趣。
或许有人告诉你模型太复杂了，机器学习太复杂了，还要学习线性代数、矩阵运算、概率论等等。这简直令人头大，然而我们今天要说的是加载和使用模型。你只需熟悉Python或者Java或者C#再或者JS、C++等就能跑起来，没有那么多高深的知识，它已经大大简化了我们使用模型的门槛。
那么ONNX模型怎么使用呢？
ONNX
作为工程师，你把ONNX当做一个黑盒子，只需要知道输入和输出是什么了？模型本身是自解释的，当你有了ONNX模型，你只需要使用https://netron.app/即可查看模型的输入输出，仍然以6drepnet360为例。打开netron之后，点击Open Model并选中你本地的模型，他会自动解析出类似下图的模型属性和输入输出。
以上是采用netron在线app查看onnx模型的输入输出和属性，我们也可以使用程序进行打印查看。这要说的就是onnx包。
首先我们安装onnx包。
pip install onnx然后加载模型并输出它的input和output要求。
import onnx
model = onnx.load("models/sixdrepnet360_Nx3x224x224.onnx")
print(model.graph.input)
print(model.graph.output)输入参数要求如下，N表示输入的batch数量，后面3表示RGB3个通道，224和224表示高和宽：
[name: "input"
type {tensor_type {elem_type: 1shape {dim {dim_param: "N"}dim {dim_value: 3}dim {dim_value: 224}dim {dim_value: 224}}}
}
]输出参数如下，输入batch的数量N和输出3个yaw pitch roll。：
[name: "yaw_pitch_roll"
type {tensor_type {elem_type: 1shape {dim {dim_param: "N"}dim {dim_param: "3"}}}
}
]onnx经常用于导出模型。但对于推理，我们更常用的其实onnx的运行时：onnxruntime。它不仅提供Python的包，还有C#、JS、Java、C++、OC和Ruby等，让我们一起学习一下Python的onnxruntime。
首先，安装onnxruntime包。
pip install onnxruntime
接下来，我们使用InferenceSession开始加载模型。
import onnxruntime as ort
session = ort.InferenceSession("models/sixdrepnet360_Nx3x224x224.onnx", provider=['CoreMLExecutionProvider'])使用session的方法get_inputs和get_outputs查看模型的输入输出等信息。
> len(session.get_inputs())
1
> session.get_inputs()[0].name
'input'
> session.get_inputs()[0].type
'tensor(float)'
> session.get_inputs()[0].shape
['N', 3, 224, 224]
> session.get_outputs()[0].name
'yaw_pitch_roll'
> session.get_outputs()[0].shape
['N', '3']
> session.get_outputs()[0].type
'tensor(float)'既然输入输出已定，那么如何运行呢？使用session的run方法执行推理即可。
def run(self, output_names, input_feed, run_options=None):pass- output_names - 输出的名称列表，可不写，他会自动提取
- input_feed - 输入字典，形如
{ input_name: input_value }
因此，我们可以使用numpy按照输入要求随机构造一个输入数据。
import numpy as np
input_data = np.random.randn(1, 3, 224, 224).astype(np.float32)
input_name = session.get_inputs()[0].name
outputs = session.run(None, {input_name: input_data})
print(outputs)
# [array([[-17.788296, 171.02617 , 171.44977 ]], dtype=float32)]用一个随机数据输入输出看起来没啥意思，我们使用opencv读取图片来试试，就以小可爱川普为例。
按照6DRepNet中头部姿态估算的要求，输入图像需要先检测人脸，然后将人脸扣出，之后做一些图像预处理即可输入模型进行推理。上图是已经通过SCRFD人脸检测模型抓取的人脸。
使用OpenCV读取图像，并做一些预处理将输入图像调整为CHW并处理为输入带有批处理维度的[1, 3, 224, 224]。
# 读取图像
image_path = 'images/trump-face.jpg'
image = cv2.imread(image_path)resized_image = cv2.resize(image, (224, 224))
# 进行标准化
resized_image = resized_image.astype(np.float32) / 255.0
mean = np.array([0.485, 0.456, 0.406])
std = np.array([0.229, 0.224, 0.225])
resized_image = (resized_image - mean) / std# 调整形状到 (1, 3, 224, 224)
resized_image = np.transpose(resized_image, (2, 0, 1))
resized_image = np.expand_dims(resized_image, axis=0)
resized_image = resized_image.astype(np.float32)outputs = session.run(None, {input_name: resized_image})
print(outputs)
# [array([[-12.90943 , 12.171669, -89.99999 ]], dtype=float32)]
作为LLM工具
待更新。
总结
本文通过介绍ONNX和如何使用onnxruntime加载模型和推理，通过加载头部姿态模型6DRepNet、预处理图像和推理演示了使用onnxruntime的全过程。从我为数不多的测试来看，我个人觉得在图像模糊的时候，对于头部的姿态估算准确度不是很好。
本文是一个简单的介绍，主要针对非算法工程师如何也能玩转模型，同时也能方便读者在有需要的时候，可以使用LLM的工具调用能力调用丰富的视觉类小模型。
如何系统的去学习大模型LLM ？
作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1：AI大模型时代的基础理解
- 目标：了解AI大模型的基本概念、发展历程和核心原理。
- 内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
- 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
- 内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
- 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
- 内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
- 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
- 内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划：
- 阶段1：1-2个月，建立AI大模型的基础知识体系。
- 阶段2：2-3个月，专注于API应用开发能力的提升。
- 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
- 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓
