onnx GitHub avatar

onnx

Python
机器学习互操作标准onnx最近推送 2026年11月19日
训练与微调Apache-2.021.7k4,097328 issues7 天 +39

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

定义跨框架交换机器学习模型的开放格式,解决模型迁移与部署兼容问题。

ONNX 是一个开放标准,用于表示深度学习和传统机器学习模型。它定义了可扩展的计算图模型、内置算子集和标准数据类型,当前主要聚焦推理能力。ONNX 被众多框架、工具和硬件支持,帮助实现不同框架间的互操作,简化从研究到生产的路径。

推荐指数

5.0

模型互操作的事实标准,生态广泛,适合需要跨框架部署的开发者。

近 7 天

+39

新增 Star

总 Star 排名

#341

雷达追踪的 3,958 个 AI 仓库中

创建于

2017

2017年9月7日

核心亮点

  • 1开放标准

    定义计算图、算子和数据类型,不绑定特定框架。

  • 2广泛支持

    被 PyTorch、TensorFlow 等主流框架和多种硬件工具支持。

  • 3聚焦推理

    当前主要覆盖推理(评分)所需能力,适合部署场景。

  • 4工具链完善

    提供形状推断、图优化和算子集版本转换等 Python 工具。

  • 5社区治理

    采用开放治理模型,有 SIG 和工作组,定期社区会议。

适用场景

  • 跨框架模型迁移

    例如:将 PyTorch 训练的模型导出为 ONNX,再加载到 TensorFlow 或其它推理引擎中使用。

  • 模型部署优化

    例如:使用 ONNX 的图优化工具对模型进行简化,再交给硬件厂商的推理运行时加速。

  • 传统机器学习模型交换

    例如:将 scikit-learn 训练的模型转换为 ONNX 格式,统一在 ONNX 运行时中推理。

它是怎么工作的

  1. 第 1 步

    定义计算图

    用节点和边描述模型的计算过程,节点对应算子,边表示数据流。

  2. 第 2 步

    使用标准算子

    算子集定义了每个操作的语义和输入输出类型,保证跨框架一致。

  3. 第 3 步

    序列化模型

    将计算图、权重和元数据保存为 ONNX 格式文件(protobuf)。

  4. 第 4 步

    推理引擎加载

    支持 ONNX 的运行时或硬件工具解析模型并执行推理。

快速上手

  1. 1

    安装 ONNX

    通过 pip 安装 ONNX 包,可选安装参考实现依赖。

    pip install onnx
  2. 2

    安装测试依赖

    如需运行测试,先安装 pytest。

    pip install pytest
  3. 3

    运行测试

    在仓库目录下执行 pytest 验证安装。

    pytest

适合谁

  • 需要将模型从训练框架迁移到部署环境的开发者
  • 使用多种机器学习框架、希望统一模型格式的团队
  • 为硬件或推理引擎开发 ONNX 支持的工程师

不太适合

  • 只想在单一框架内完成训练和推理、无跨框架需求的用户
  • 需要 ONNX 直接提供训练能力的用户(当前主要聚焦推理)

成熟度

  • 活跃度最近一次推送在 2026 年 11 月,持续活跃维护。
  • 文档提供规范文档、算子文档、Python API 概览和教程链接。
  • 社区2.1 万星标、4000 多复刻,有开放治理和定期社区会议。
  • 上手难度pip 安装简单,但理解计算图和算子集需要一定学习成本。

使用前注意

  • · 采用 Apache-2.0 许可,商用需保留版权和许可声明。
  • · 当前主要支持推理,训练相关能力有限。
  • · 不同框架导出的 ONNX 模型可能因算子集版本差异需要转换。
  • · 部分算子可能不被所有推理引擎完整支持,部署前需验证。

主题标签

deep-learningdeep-neural-networksneural-networkonnxpytorchtensorflowkerasscikit-learnmlmachine-learningdnnaiartificial-intelligence