importONNXNetwork

R2026b

(削除予定) 事前学習済みの ONNX ネットワークのインポート

ページ内をすべて折りたたむ

importONNXNetwork は将来のリリースで削除される予定です。代わりに importNetworkFromONNX を使用してください。 (R2023b 以降)コードの更新の詳細については、バージョン履歴を参照してください。

構文

net = importONNXNetwork(modelfile)
net = importONNXNetwork(modelfile,Name=Value)

説明

Add-On Required: この機能には Deep Learning Toolbox Converter for ONNX Model Format アドオンが必要です。

net = importONNXNetwork(modelfile) は、ファイル modelfile から事前学習済みの ONNX™ (Open Neural Network Exchange) ネットワークをインポートします。この関数は、ネットワーク net を DAGNetwork オブジェクトまたは dlnetwork オブジェクトとして返します。

importONNXNetwork には、Deep Learning Toolbox™ Converter for ONNX Model Format サポート パッケージが必要です。このサポート パッケージがインストールされていない場合、importONNXNetwork によってダウンロード用リンクが表示されます。

メモ

既定では、ソフトウェアが ONNX 演算子をそれと等価な組み込みの MATLAB® 層に変換できないときに、importONNXNetwork がカスタム層の生成を試みます。ソフトウェアによる変換がサポートされている演算子の一覧については、組み込みの MATLAB 層への変換がサポートされている ONNX 演算子を参照してください。

importONNXNetwork は、生成されたカスタム層を名前空間 +modelfile に保存します。

importONNXNetwork は、組み込みの MATLAB 層への変換がサポートされていない各 ONNX 演算子のカスタム層を自動生成しません。サポートされていない層の処理方法の詳細については、代替機能を参照してください。

例

net = importONNXNetwork(modelfile,Name=Value) は、1 つ以上の名前と値の引数で指定された追加オプションを使用して、事前学習済みの ONNX ネットワークをインポートします。たとえば、OutputLayerType="classification" はネットワークを DAGNetwork オブジェクトとしてインポートしますが、その際、インポートされたネットワーク アーキテクチャの最初の出力分岐の末尾に分類出力層が追加されます。

例

例

すべて折りたたむ

この例では次を使用します。

ライブ スクリプトを開く

Deep Learning Toolbox Converter for ONNX Model Format サポート パッケージをダウンロードしてインストールします。

コマンド ラインで importONNXNetwork と入力します。

importONNXNetwork

Deep Learning Toolbox Converter for ONNX Model Format がインストールされていない場合、この関数は、必要なサポート パッケージへのリンクをアドオン エクスプローラーに表示します。サポート パッケージをインストールするには、リンクをクリックして、[インストール] をクリックします。コマンド ラインでモデル ファイル "simplenet.onnx" からネットワークをインポートして、インストールが正常に終了していることを確認します。サポート パッケージがインストールされている場合、この関数は DAGNetwork オブジェクトを返します。

modelfile = "simplenet.onnx";
net = importONNXNetwork(modelfile)
net = 
  DAGNetwork with properties:

         Layers: [9×1 nnet.cnn.layer.Layer]
    Connections: [8×2 table]
     InputNames: {'imageinput'}
    OutputNames: {'ClassificationLayer_softmax1002'}

ネットワーク アーキテクチャをプロットします。

plot(net)

この例では次を使用します。

ライブ スクリプトを開く

事前学習済みの ONNX ネットワークを DAGNetwork オブジェクトとしてインポートし、インポートしたネットワークを使用してイメージを分類します。

squeezenet畳み込みニューラル ネットワークの ONNX モデルを生成します。

squeezeNet = squeezenet;
exportONNXNetwork(squeezeNet,"squeezeNet.onnx");

クラス名を指定します。

ClassNames = squeezeNet.Layers(end).Classes;

事前学習済みの squeezeNet.onnx モデルをインポートし、クラスを指定します。既定では、importONNXNetwork はネットワークを DAGNetwork オブジェクトとしてインポートします。

net = importONNXNetwork("squeezeNet.onnx",Classes=ClassNames)
net = 
  DAGNetwork with properties:

         Layers: [70×1 nnet.cnn.layer.Layer]
    Connections: [77×2 table]
     InputNames: {'data'}
    OutputNames: {'ClassificationLayer_prob'}

インポートしたネットワークを解析します。

analyzeNetwork(net)

squeezeNet_DAGNetwork.png

分類するイメージを読み取り、そのイメージのサイズを表示します。このイメージは 384 x 512 ピクセルで 3 つのカラー チャネル (RGB) があります。

I = imread("peppers.png");
size(I)
ans = 1×3

    384    512    3

イメージのサイズをネットワークの入力サイズに変更します。イメージを表示します。

I = imresize(I,[227 227]);
imshow(I)

インポートしたネットワークを使用してイメージを分類します。

label = classify(net,I)
label = categorical
     bell pepper

この例では次を使用します。

ライブ スクリプトを開く

事前学習済みの ONNX ネットワークを dlnetwork オブジェクトとしてインポートし、インポートしたネットワークを使用してイメージを分類します。

squeezenet畳み込みニューラル ネットワークの ONNX モデルを生成します。

squeezeNet = squeezenet;
exportONNXNetwork(squeezeNet,"squeezeNet.onnx");

クラス名を指定します。

ClassNames = squeezeNet.Layers(end).Classes;

事前学習済みの squeezeNet.onnx モデルを dlnetwork オブジェクトとしてインポートします。

net = importONNXNetwork("squeezeNet.onnx",TargetNetwork="dlnetwork")
net = 
  dlnetwork with properties:

         Layers: [70×1 nnet.cnn.layer.Layer]
    Connections: [77×2 table]
     Learnables: [52×3 table]
          State: [0×3 table]
     InputNames: {'data'}
    OutputNames: {'probOutput'}
    Initialized: 1

分類するイメージを読み取り、そのイメージのサイズを表示します。このイメージは 384 x 512 ピクセルで 3 つのカラー チャネル (RGB) があります。

I = imread("peppers.png");
size(I)
ans = 1×3

    384    512    3

イメージのサイズをネットワークの入力サイズに変更します。イメージを表示します。

I = imresize(I,[227 227]);
imshow(I)

イメージを dlarray に変換します。イメージを次元 "SSCB" (spatial、spatial、channel、batch) で形式を整えます。この場合、バッチ サイズは 1 であるため、バッチ サイズを省略できます ("SSC")。

I_dlarray = dlarray(single(I),"SSCB");

サンプル イメージを分類し、予測されたラベルを見つけます。

prob = predict(net,I_dlarray);
[~,label] = max(prob);

分類結果を表示します。

ClassNames(label)
ans = categorical
     bell pepper

この例では次を使用します。

ライブ スクリプトを開く

複数の出力をもつ ONNX ネットワークを DAGNetwork オブジェクトとしてインポートします。

ONNX モデル ファイルを指定し、事前学習済みの ONNX モデルをインポートします。既定では、importONNXNetwork はネットワークを DAGNetwork オブジェクトとしてインポートします。

modelfile = "digitsMIMO.onnx";
net = importONNXNetwork(modelfile)
net = 
  DAGNetwork with properties:

         Layers: [19×1 nnet.cnn.layer.Layer]
    Connections: [19×2 table]
     InputNames: {'input'}
    OutputNames: {'ClassificationLayer_sm_1'  'RegressionLayer_fc_1_Flatten'}

このネットワークには 2 つの出力層があります。1 つは数字を分類する分類層 (ClassificationLayer_sm_1)、1 つは数字の予測角度の平均二乗誤差を計算する回帰層 (RegressionLayer_fc_1_Flatten) です。ネットワーク アーキテクチャをプロットします。

plot(net)
title('digitsMIMO Network Architecture')

インポートしたネットワークを使用して予測を行うには、関数predictを使用し、ReturnCategorical オプションを true に設定します。

入力引数

すべて折りたたむ

ネットワークを含む ONNX モデル ファイルの名前。文字ベクトルまたは string スカラーとして指定します。ファイルは、現在のフォルダーまたは MATLAB パス上のフォルダーに含まれていなければならず、そうでなければこのファイルの絶対パスまたは相対パスを含めなければなりません。

例: "cifarResNet.onnx"

名前と値の引数

すべて折りたたむ

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで、Name は引数名で、Value は対応する値です。名前と値の引数は他の引数の後に指定しなければなりませんが、ペアの順序は重要ではありません。

例: importONNXNetwork(modelfile,TargetNetwork="dagnetwork",GenerateCustomLayers=true,Namespace="CustomLayers") は、modelfile 内のネットワークを DAGNetwork オブジェクトとしてインポートし、自動生成したカスタム層を現在のフォルダー内の名前空間 +CustomLayers に保存します。

カスタム層の生成オプション。数値または logical 1 (true) または logical 0 (false) として指定します。GenerateCustomLayers を true に設定した場合、ソフトウェアが ONNX 演算子をそれと等価な組み込みの MATLAB 層に変換できないときに、importONNXNetwork がカスタム層の生成を試みます。importONNXNetwork は、生成した各カスタム層を、+Namespace で個別の .m ファイルとして保存します。カスタム層を表示または編集するには、関連する .m ファイルを開きます。カスタム層の詳細については、カスタム層を参照してください。

例: GenerateCustomLayers=false

importONNXNetwork がカスタム層を保存するカスタム層名前空間の名前。文字ベクトルまたは string スカラーとして指定します。importONNXNetwork は、カスタム層の名前空間 +Namespace を現在のフォルダーに保存します。Namespace を指定しない場合、importONNXNetwork は、カスタム層を現在のフォルダー内の +modelfile という名前の名前空間に保存します。名前空間の詳細については、名前空間の作成を参照してください。

例: Namespace="shufflenet_9"

例: Namespace="CustomLayers"

Deep Learning Toolbox ネットワークのターゲット タイプ。"dagnetwork" または "dlnetwork" として指定します。関数 importONNXNetwork は、ネットワーク net を DAGNetwork オブジェクトまたは dlnetwork オブジェクトとしてインポートします。

  • ネットワークを DAGNetwork オブジェクトとしてインポートする場合、ONNX モデルによって指定された入力層と出力層か、名前と値の引数 InputDataFormats、OutputDataFormats、または OutputLayerType を使用して指定した入力層と出力層を net に含めなければなりません。

  • ネットワークを dlnetwork オブジェクトとしてインポートする場合、importONNXNetwork によって net の各出力分岐の末尾に CustomOutputLayer が追加され、場合によっては入力分岐の先頭に CustomInputLayer が追加されます。入力のデータ形式または入力のイメージ サイズが不明の場合は、この関数により CustomInputLayer が追加されます。これらの層のデータ形式に関するネットワーク固有の情報については、CustomInputLayer オブジェクトおよび CustomOutputLayer オブジェクトのプロパティを参照してください。Deep Learning Toolbox の入出力データ形式を解釈する方法の詳細については、ONNX 入出力テンソルから組み込みの MATLAB 層への変換を参照してください。

例: TargetNetwork="dlnetwork"

ネットワーク入力のデータ形式。文字ベクトル、string スカラー、または string 配列として指定します。importONNXNetwork は、入力データ形式を ONNX ファイルから解釈しようと試みます。importONNXNetwork が入力データ形式を導出できない場合、名前と値の引数 InputDataFormats が役に立ちます。

InputDataFomats には、ONNX 入力テンソルの順にデータ形式を設定します。たとえば、InputDataFormats を "BSSC" として指定した場合、インポートされたネットワークは 1 つの imageInputLayer 入力をもちます。importONNXNetwork が ONNX 入力テンソルのデータ形式を解釈する方法、およびさまざまな Deep Learning Toolbox 入力層について InputDataFormats を指定する方法の詳細については、ONNX 入出力テンソルから組み込みの MATLAB 層への変換を参照してください。

空のデータ形式 ([] または "") を指定した場合、importONNXNetwork は入力データ形式を自動的に解釈します。

例: InputDataFormats='BSSC'

例: InputDataFormats="BSSC"

例: InputDataFormats=["BCSS","","BC"]

例: InputDataFormats={'BCSS',[],'BC'}

データ型: char | string | cell

ネットワーク出力のデータ形式。文字ベクトル、string スカラー、または string 配列として指定します。importONNXNetwork は、出力データ形式を ONNX ファイルから解釈しようと試みます。importONNXNetwork が出力データ形式を導出できない場合、名前と値の引数 OutputDataFormats が役に立ちます。

OutputDataFormats には、ONNX 出力テンソルの順にデータ形式を設定します。たとえば、OutputDataFormats を "BC" として指定した場合、インポートされたネットワークは 1 つの classificationLayer 出力をもちます。importONNXNetwork が ONNX 出力テンソルのデータ形式を解釈する方法、およびさまざまな Deep Learning Toolbox 出力層について OutputDataFormats を指定する方法の詳細については、ONNX 入出力テンソルから組み込みの MATLAB 層への変換を参照してください。

空のデータ形式 ([] または "") を指定した場合、importONNXNetwork は出力データ形式を自動的に解釈します。

例: OutputDataFormats='BC'

例: OutputDataFormats="BC"

例: OutputDataFormats=["BCSS","","BC"]

例: OutputDataFormats={'BCSS',[],'BC'}

データ型: char | string | cell

最初のネットワーク入力の入力イメージのサイズ。2 次元イメージの [height,width,channels] または 3 次元イメージの [height,width,depth,channels] にそれぞれ対応する、3 個または 4 個の数値のベクトルとして指定します。modelfile の ONNX モデルで入力サイズが指定されていない場合にのみ、ネットワークはこの情報を使用します。

例: ImageInputSize=[28 28 1] (2 次元グレースケール入力イメージの場合)

例: ImageInputSize=[224 224 3] (2 次元カラー入力イメージの場合)

例: ImageInputSize=[28 28 36 3] (3 次元カラー入力イメージの場合)

最初のネットワーク出力の層のタイプ。"classification"、"regression"、または "pixelclassification" として指定します。関数 importONNXNetwork は、ClassificationOutputLayer オブジェクト、RegressionOutputLayer オブジェクト、または pixelClassificationLayer (Computer Vision Toolbox) オブジェクトを、インポートされたネットワーク アーキテクチャの最初の出力分岐の末尾に追加します。pixelClassificationLayer (Computer Vision Toolbox) オブジェクトを追加するには、Computer Vision Toolbox™ が必要です。modelfile の ONNX モデルによって出力層のタイプが指定されている場合、または TargetNetwork を "dlnetwork" として指定した場合、importONNXNetwork は名前と値の引数 OutputLayerType を無視します。

例: OutputLayerType="regression"

最初のネットワーク出力の出力層のクラス。categorical ベクトル、string 配列、文字ベクトルの cell 配列、または "auto" として指定します。Classes が "auto" の場合、importONNXNetwork によってクラスが categorical(1:N) に設定されます。ここで、N はクラスの数です。string 配列または文字ベクトルの cell 配列 str を指定した場合、importONNXNetwork によって出力層のクラスが categorical(str,str) に設定されます。TargetNetwork を "dlnetwork" として指定した場合、importONNXNetwork は名前と値の引数 Classes を無視します。

例: Classes={'0','1','3'}

例: Classes=categorical({'dog','cat'})

データ型: char | categorical | string | cell

定数畳み込みによる最適化。"deep"、"shallow" または "none" として指定します。定数畳み込みは、ONNX 演算子からそれと等価な組み込みの MATLAB 層への変換の際に、ONNX 初期化子 (初期定数値) に対して演算を実行することで、インポートされたネットワーク アーキテクチャを最適化します。

ソフトウェアにより等価な組み込みの MATLAB 層に変換できない演算子が ONNX ネットワークに含まれている場合 (組み込みの MATLAB 層への変換がサポートされている ONNX 演算子を参照してください)、定数畳み込みによる最適化によって、サポートされていない層の数を減らすことができます。FoldConstants を "deep" に設定した場合、ネットワークに含まれるサポートされていない層の数は、この引数を "shallow" に設定した場合と同じか、それより少なくなります。ただし、ネットワークをインポートする時間が長くなる可能性があります。ネットワーク アーキテクチャの最適化を無効にするには、FoldConstants を "none" に設定します。

定数畳み込みによる最適化を実行しても、サポートされていない層がネットワークに残っている場合、importONNXNetwork はエラーを返します。この場合、importONNXLayers または importONNXFunction を使用してネットワークをインポートできます。詳細については、代替機能を参照してください。

例: FoldConstants="shallow"

出力引数

すべて折りたたむ

事前学習済みの ONNX ネットワーク。DAGNetwork オブジェクトまたは dlnetwork オブジェクトとして返されます。

  • ネットワークを DAGNetwork オブジェクトとしてインポートするには、TargetNetwork を "dagnetwork" として指定します。その後、DAGNetwork オブジェクト上で、関数 classify を使用してクラス ラベルを予測します。

  • ネットワークを dlnetwork オブジェクトとしてインポートするには、TargetNetwork を "dlnetwork" として指定します。その後、dlnetwork オブジェクト上で、関数 predict を使用してクラス ラベルを予測します。正しいデータ形式を使用して、入力データを dlarray として指定します (詳細については、dlarray の引数 fmt を参照してください)。

制限

importONNXNetwork は以下をサポートします。

  • ONNX 中間表現 version 9

  • ONNX 演算子セット 6 ～ 20

メモ

エクスポートしたネットワークをインポートする場合、元のネットワークの層とは異なるネットワークの層が再インポートされ、サポート対象外となる可能性があります。

詳細

すべて折りたたむ

ヒント

  • 事前学習済みのネットワークを新しいイメージの予測または転移学習に使用するには、インポートしたモデルの学習に使用したイメージと同じようにイメージを前処理しなければなりません。最も一般的な前処理ステップは、イメージのサイズ変更、イメージの平均値の減算、イメージの BGR 形式から RGB 形式への変換です。

    • イメージのサイズを変更するには、imresize を使用します。たとえば、imresize(image,[227 227 3]) のようにします。

    • RGB 形式から BGR 形式にイメージを変換するには、flip を使用します。たとえば、flip(image,3) のようにします。

    学習および予測用のイメージの前処理の詳細については、イメージの深層学習向け前処理を参照してください。

  • MATLAB は 1 ベースのインデックスを使用しますが、Python® は 0 ベースのインデックスを使用します。つまり、配列の最初の要素のインデックスは、MATLAB と Python でそれぞれ 1 と 0 になります。MATLAB のインデックスの詳細については、配列インデックス付けを参照してください。MATLAB で、Python で作成されたインデックス (ind) の配列を使用するには、配列を ind+1 に変換します。

  • その他のヒントについては、TensorFlow、PyTorch、および ONNX からモデルをインポートする際のヒントを参照してください。

代替機能

Deep Learning Toolbox Converter for ONNX Model Format には、事前学習済みの ONNX ネットワークをインポートするための 3 つの関数 (importONNXNetwork、importONNXLayers、および importONNXFunction) が用意されています。

インポートしたネットワークに、組み込みの MATLAB 層への変換がサポートされていない ONNX 演算子が含まれており (組み込みの MATLAB 層への変換がサポートされている ONNX 演算子を参照)、importONNXNetwork がカスタム層を生成しない場合、importONNXNetwork はエラーを返します。この場合でも、importONNXLayers を使用してネットワーク アーキテクチャと重みをインポートするか、importONNXFunction を使用して ONNXParameters オブジェクトおよびモデル関数としてネットワークをインポートすることができます。

参照

[1] Open Neural Network Exchange. https://github.com/onnx/.

[2] ONNX. https://onnx.ai/.

バージョン履歴

R2018a で導入

すべて展開する

参考

| | | | | | |

トピック