ONNX模型命名规范与优化策略
多个 ONNX 模型文件的命名，有点像是工程师在调试时留的脚印，不同文件代表着不同阶段或优化方向。model_1_all.onnx率是主模型，结构全、参数也全；而像model_j6_all.onnx、model_j6_526.onnx这种，看起来就是在做适配和优化，是为了轻量化、也是配合不同硬件用的版本。
命名中的j6是个架构代号，比如某个系列的网络结构；526更像是迭代编号，或者是给模型做量化、剪枝等操作后的版本号。，不是随便起名，后期版本控制靠它们。
部署模型的时候，挑哪个文件用，其实得看场景。比如你部署在移动端，模型得小、推理得快，那就别用all版本，选个精简的；放在服务器跑批量任务，那就别省性能了，用全参数的最稳妥。
还有，ONNX最大的好处就是跨框架。比如你训练用的是 PyTorch，想部署在 TensorFlow 的推理服务上，那转换下格式就行。不用重写网络结构，也不用担心兼容问题，挺方便的。
有需要你还可以看看下面这些资源，像YOLOv5 模型转换、Slim CVT-OCC 工具这些，都挺实用的。
，ONNX 模型多个版本并存是正常的操作，别删太快，万一你下个月就要回滚某个实验版本呢？
文件大小：103.1MB
评论区