Netron是一个用于可视化深度学习网络模型的工具软件，主体以JavaScript语言实现，源码在: https://github.com/lutzroeder/netron 。用户可以使用各系统平台的安装包进行安装之后使用，也可以用浏览器使用在线版本: Netron。

Netron支持几乎所有常见的深度学习框架所导出的模型: ONNX, TensorflowLite, Caffe, Keras, MNN, NCNN, MediaPipe等等。

开发者在自己设计的软件中也有自定义的有向无环图，在Netron中就无法打开，如果需要可视化就需要自己开发相应的代码转换软件。本文介绍如何将开源的Netron集成到自己的Python QT软件中。

实现效果如下图所示：

一.开发环境与基础依赖

Windows 10 64bit: VSCode
Python3: PyQt5-Qt5==5.15.2, PyQtWebEngine==5.15.4
FlatWidget: PyQT图形界面设计二.扁平化无边框窗口
Netron: https://github.com/lutzroeder/netron

其中FlatWidget是笔者之前基于Python QT设计的无边框宽口界面，本文以此为基础进行集成。

将netron源码中的source目录中的所有文件作为本文工程的第三方依赖(thirdparty/netron)，复制完代码之后的工程结构如下：

二.软件集成

QWebEngine需以OpenGL Widget为容器进行创建，现在QT Designer中拖拽一个OpenGL Widget到主窗口中。

编译完成后，构造QWebEngineView:

sys.path.append(os.getcwd() + os.path.sep + "thirdparty")
from netron.server import start
def InitWebEngine(self):self.view_layout = QVBoxLayout(self.MainWindow_.ViewWidget)self.view_layout.setContentsMargins(0, 0, 0, 0)self.browser = QWebEngineView()self.view_layout.addWidget(self.browser)self.address = start(None, None, browse=False)url_address = "http://{}:{}".format(self.address[0], self.address[1])self.browser.load(QUrl(url_address))

只需调用此函数即可启用Netron。具体代码相机如下：

1~2行: 将netron的目录添加到python的环境中。

4~7行: 添加一个垂直布局器，并将QWebEngineView添加到其中。

9行: start为netron的API

def start(file, data, address=None, browse=False, verbosity=1)

file为模型文件的路径，data为模型数据，data与file都可以是空，都为空的情况下则打开的欢迎界面，browse指示是否自动打开本地浏览器查看，该函数的返回值为本地http服务器的地址与端口:(address, port)。

11行，通过QWebEngine加载serve.start启动的http服务。

QWebEngine集成Netron可视化模型相关推荐

【netron】模型可视化工具netron
1.简介在实际的项目中,经常会遇到各种网络模型,需要我们快速去了解网络结构.如果单纯的去看模型文件,脑海中很难直观的浮现网络的架构.这时,就可以使用netron可视化工具,可以清晰的看到每一层的输入 ...
Netron可视化Pytorch保存的网络模型
目录一.理清网络的输入与输出二. 将模型转换为onnx格式三.Netron可视化工具一.理清网络的输入与输出我自定义的网络模型(主要看看前向传播函数即可): import torch imp ...
Netron 可视化
1.pytroch模型转化为onnx模型 netron并不支持pytorch通过torch.save方法导出的模型文件,因此在pytorch保存模型的时候,需要将其导出为onnx格式的模型文件 pip ...
R语言使用yardstick包的lift_curve函数评估多分类（Multiclass）模型的性能、并使用autoplot函数可视化模型在每个交叉验证（或者重采样）的每一折fold在每个分类上的提升
R语言使用yardstick包的lift_curve函数评估多分类(Multiclass)模型的性能.并使用autoplot函数可视化模型在每个交叉验证(或者重采样)的每一折fold在每个分类上的提升 ...
R语言使用yardstick包的roc_curve函数评估多分类（Multiclass）模型、并使用autoplot函数可视化模型在每个交叉验证（或者重采样）的每一折fold在每个分类上的ROC曲线
R语言使用yardstick包的roc_curve函数评估多分类(Multiclass)模型的性能.并使用autoplot函数可视化模型在每个交叉验证(或者重采样)的每一折fold在每个分类上的ROC ...
R语言使用yardstick包的pr_curve函数评估二分类（binary）模型的性能、并使用autoplot函数可视化模型的PR曲线（precision recall）
R语言使用yardstick包的pr_curve函数评估二分类(binary)模型的性能.并使用autoplot函数可视化模型的PR曲线(precision recall) 目录
R语言使用yardstick包的gain_curve函数评估多分类（Multiclass）模型的性能、并使用autoplot函数可视化模型在每个交叉验证（或者重采样）的每一折fold在每个分类上的增益
R语言使用yardstick包的gain_curve函数评估多分类(Multiclass)模型的性能.并使用autoplot函数可视化模型在每个交叉验证(或者重采样)的每一折fold在每个分类上的增益 ...
R语言使用lm构建线性回归模型、并将目标变量对数化（log10）实战：可视化模型预测输出与实际值对比图、可视化模型的残差、模型预测中系统误差的一个例子、自定义函数计算R方指标和均方根误差RMSE
R语言使用lm构建线性回归模型.并将目标变量对数化(log10)实战:可视化模型预测输出与实际值对比图.可视化模型的残差.模型预测中系统误差的一个例子 .自定义函数计算R方指标和均方根误差RMSE 目 ...
R语言使用lm构建线性回归模型、并将目标变量对数化实战：可视化模型预测输出与实际值对比图、可视化模型的残差、模型系数（coefficient）、模型总结信息（summary）、残差总结信息
R语言使用lm构建线性回归模型.并将目标变量对数化(log10)实战:可视化模型预测输出与实际值对比图.可视化模型的残差.模型系数(coefficient).模型总结信息(summary).残差总结信 ...

QWebEngine集成Netron可视化模型

一.开发环境与基础依赖

二.软件集成

QWebEngine集成Netron可视化模型相关推荐

最新文章

热门文章