尧图网站建设 
简介这是一套基于Python与PyQt构建的图像语义分割桌面软件源码面向计算机、人工智能、通信、自动化等专业的在校学生与教师也适合作为毕设、课程设计或项目立项的参考模板。软件集成mobilenet、resnet50等8种分割模型通过图形界面完成模型选择与推理展示帮助读者理解语义分割从网络结构到可视化交互的完整链路。资源包共153个文件约8.74MB其中37个py文件承载模型与界面逻辑85个svg与若干png、jpg、gif构成图标和示例素材另有yaml配置、qss样式、ui界面文件及md说明文档目录组织清晰。已有249人学习关注。下载后可获得可运行的完整工程、模型调用示例与文档说明便于对照代码梳理数据加载、推理与界面联动流程也能在此基础上修改扩展实现自定义分割功能。1. 从一张标注图到可交付软件图像语义分割 GUI 到底难在哪你可能遇到过这种场景算法同学丢过来一个unet.pth说“效果不错mIoU 0.78”可你打开一看推理脚本里路径写死、预处理和训练不一致、输出还是一张灰度图业务方根本没法用。图像语义分割从论文到能交付的桌面软件中间隔着的不是模型精度而是工程化。这个标题讲的就是用 Python PyQt 把语义分割做成一个带界面的软件内置 mobilenet、resnet50 等 8 个骨干网络配套源代码和文档说明。它解决的是“模型能跑”到“别人也能跑”的问题适合想入门 CV 桌面应用、需要给分割模型套壳交付、或者想系统对比不同 backbone 推理差异的开发者。下面我按自己搭这类工具的顺序把选型、代码、参数和踩过的坑讲清楚。2. 为什么用 PyQt 而不是 Web桌面分割工具的选型账2.1 推理场景决定了 GUI 框架的取舍图像语义分割的典型使用场景是本地批量处理选一个文件夹、加载模型、点开始、看进度、导出掩码。这类需求有三个硬约束——要读本地大图、要调 GPU、要离线可用。Web 方案Flask 前端在这三点上都不占优浏览器上传大图有内存和超时限制跨进程传张量开销大部署还要配服务。PyQt 直接跑在 Python 进程里QImage和numpy之间转换成本低调torch.cuda没有额外通信层这是它作为 GUI 框架的核心优势。另一个现实原因是打包。PyQt 配合 PyInstaller 能打成单个 exe发给不懂 Python 的同事双击就能用。Web 方案要对方装环境或者你维护一台服务器交付成本反而更高。所以做分割工具PyQt 是性价比最高的选择不是因为它多先进而是因为它离“能交付”最近。2.2 8 个模型不是凑数backbone 选型要按场景分档标题里说支持 mobilenet、resnet50 等 8 个模型很多人第一反应是“堆数量”。实际做下来这 8 个模型应该覆盖三档需求选型逻辑如下表档位代表模型参数量级适用场景推理耗时1080p单卡轻量实时MobileNetV2/V32-5M边缘设备、视频流30-60ms均衡通用ResNet50、ResNet10125-45M通用分割、精度优先120-250ms高精度HRNet、ViT 类60M遥感、医学等细粒度300ms选型时不要只看 mIoU。MobileNet 系列在 Cityscapes 上比 ResNet50 低 3-5 个点但速度快 4 倍做实时预览必须用它。ResNet50 是精度和速度的平衡点适合默认选项。遥感图像语义分割这类任务地物边界细轻量模型会糊成一片这时候就得上 HRNet。GUI 里应该让用户能切换 backbone而不是写死一个。2.3 最小可运行骨架PyQt 主窗口 推理线程先搭一个能跑通的骨架把界面和推理解耦。核心是用QThread把推理放到子线程避免界面卡死。import sys import numpy as np from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QLabel, QVBoxLayout, QWidget from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtGui import QImage, QPixmap class InferenceThread(QThread): finished pyqtSignal(np.ndarray) # 推理完成信号传回掩码 def __init__(self, model, image): super().__init__() self.model model self.image image def run(self): # 实际推理在这里model 是已加载的 torch 模型 with torch.no_grad(): output self.model(self.image) mask output.argmax(dim1).cpu().numpy()[0] self.finished.emit(mask) class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(语义分割工具) self.btn QPushButton(选择图片并推理) self.label QLabel(等待结果) layout QVBoxLayout() layout.addWidget(self.btn) layout.addWidget(self.label) container QWidget() container.setLayout(layout) self.setCentralWidget(container) self.btn.clicked.connect(self.on_click) def on_click(self): # 这里省略文件对话框和预处理重点看线程启动 self.thread InferenceThread(self.model, self.input_tensor) self.thread.finished.connect(self.show_result) self.thread.start() def show_result(self, mask): # 把掩码转成彩色图显示 color_mask self.palette[mask] h, w, _ color_mask.shape qimg QImage(color_mask.data, w, h, 3 * w, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg)) if __name__ __main__: app QApplication(sys.argv) win MainWindow() win.show() sys.exit(app.exec_())这段代码的关键点有三个。第一InferenceThread继承QThreadrun里做推理通过pyqtSignal把结果传回主线程这是 PyQt 里更新 UI 的标准做法直接在主线程推理会卡死界面。第二finished信号传的是np.ndarray不是QPixmap因为QPixmap只能在主线程创建子线程里碰它会崩。第三QImage构造时第四个参数是每行字节数彩色图是3 * w写错会花屏。参数上要注意torch.no_grad()必须加否则显存会随推理次数线性增长跑几十张图就 OOM。argmax(dim1)是因为分割输出是[N, C, H, W]在通道维取最大得到类别索引。这套骨架跑通后再往里填模型加载和预处理。3. 把 8 个模型接进 GUI加载、切换与预处理对齐3.1 模型注册表用字典管理 backbone 而不是 if-else8 个模型如果每个都写一段if model_name resnet50代码会烂掉。正确做法是建一个注册表把模型构建函数和对应的预处理参数绑在一起。import torchvision.models.segmentation as seg_models MODEL_REGISTRY { mobilenet_v3: { builder: lambda: seg_models.deeplabv3_mobilenet_v3_large(pretrainedTrue), input_size: (520, 520), mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], }, resnet50: { builder: lambda: seg_models.deeplabv3_resnet50(pretrainedTrue), input_size: (520, 520), mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], }, # 其余 6 个模型按同样结构补充 } def load_model(name, devicecuda): cfg MODEL_REGISTRY[name] model cfg[builder]().to(device).eval() return model, cfg注册表的好处是新增模型只改数据不改逻辑。input_size和归一化参数必须和训练时一致这是分割任务最容易翻车的地方——训练用 512推理用 520边界 IoU 能掉好几个点。pretrainedTrue在演示时方便实际部署要换成加载自己的权重把builder改成先建结构再load_state_dict。3.2 预处理必须和训练对齐三个参数别抄错预处理是分割推理的玄学重灾区。常见做法是 resize、归一化、转 tensor 三步但每一步都有坑。from torchvision import transforms def build_transform(cfg): return transforms.Compose([ transforms.Resize(cfg[input_size]), # 尺寸对齐 transforms.ToTensor(), # 转 [0,1] tensor transforms.Normalize(meancfg[mean], stdcfg[std]), # 归一化 ]) # 使用 transform build_transform(cfg) input_tensor transform(pil_image).unsqueeze(0).to(device)Resize的尺寸要和训练配置一致不要凭感觉写。ToTensor会把 PIL 图像的[0,255]转到[0,1]如果你自己又除了一次 255就重复了。Normalize的 mean/std 是 ImageNet 统计值但如果你的模型是在自定义数据集上微调的这两个值可能不同必须查训练脚本。我见过有人推理时用了 ImageNet 的 std训练时用的是[0.5,0.5,0.5]结果掩码整体偏移排查了一下午。3.3 模型切换时的显存管理GUI 里用户可能来回切模型如果每次切换都新建模型而不释放旧的显存会爆。正确做法是切换时先删旧模型再加载新的。def switch_model(self, new_name): if self.model is not None: del self.model torch.cuda.empty_cache() # 释放缓存显存 self.model, self.cfg load_model(new_name, self.device) self.transform build_transform(self.cfg)torch.cuda.empty_cache()不会释放被张量占用的显存但会释放缓存分配器持有的空闲块。配合del使用能把显存降下来。如果还是不够说明有别的张量没释放检查是不是把中间结果存到了self上。另外切换模型时最好禁用推理按钮等加载完再启用否则用户连点会触发多次加载。4. 避坑与排查分割 GUI 最常见的 5 个翻车现场4.1 界面卡死进度条不动现象点开始后窗口无响应任务管理器显示 CPU 占满但界面白屏。原因推理写在了主线程PyQt 的事件循环被阻塞。解决所有耗时操作放QThread通过信号更新进度。如果要在推理循环里更新进度条在run里发progress pyqtSignal(int)每处理一批发一次。4.2 掩码颜色和训练时对不上现象推理出的分割图颜色和验证集可视化不一致类别全乱。原因调色板palette没对齐或者argmax的维度搞错。解决把训练时用的 palette 存成列表推理后按索引取色。检查argmax是dim1还是dim0[N,C,H,W]是dim1。如果输出是 logits 没经过 softmaxargmax结果一样但如果你要做置信度显示就得先 softmax。4.3 大图推理 OOM现象小图正常一放 4K 图就显存不足。原因没有做分块推理整图塞进网络。解决对超过input_size的图做滑窗切块每块单独推理再拼接。切块时要有重叠overlap否则拼接处会有明显接缝。重叠比例一般取块大小的 1/4 到 1/2拼接时重叠区域取置信度最高的类别。4.4 打包后模型加载失败现象源码跑得好好的PyInstaller 打包成 exe 后报找不到权重文件。原因权重路径用了相对路径打包后工作目录变了。解决用sys._MEIPASS获取临时解压目录把权重文件通过--add-data打进去代码里用os.path.join(sys._MEIPASS, weights, model.pth)读取。或者把权重放外部目录首次运行时让用户指定路径。4.5 推理结果有噪点小目标丢失现象分割掩码边缘毛糙小物体整个消失。原因预处理 resize 把原图缩小了小目标信息丢失或者模型本身没在类似数据上训练过。解决推理时保持原图分辨率用滑窗而不是整体 resize。如果必须 resize用双线性插值而不是最近邻。后处理可以加条件随机场CRF或者简单的形态学开闭运算去噪但别过度会把细结构也抹掉。5. 进阶技巧用 ONNX 加速推理并做精度校验5.1 导出 ONNX 并验证数值一致性PyTorch 模型在 GUI 里推理启动慢、依赖重。导出 ONNX 后用onnxruntime推理速度能提升 20%-40%而且打包体积小。导出时要指定动态轴否则只能跑固定尺寸。import torch.onnx dummy torch.randn(1, 3, 520, 520).to(device) torch.onnx.export( model, dummy, deeplabv3_resnet50.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch, 2: height, 3: width}, output: {0: batch, 2: height, 3: width}}, opset_version11, )导出后必须做数值校验不能直接信。用同一张图分别跑 PyTorch 和 ONNX比较输出的最大绝对误差。import onnxruntime as ort sess ort.InferenceSession(deeplabv3_resnet50.onnx) onnx_out sess.run(None, {input: input_tensor.cpu().numpy()})[0] torch_out model(input_tensor).cpu().numpy() max_diff np.abs(onnx_out - torch_out).max() print(f最大误差: {max_diff}) # 一般应小于 1e-4如果误差超过 1e-3检查opset_version和算子兼容性。opset_version11对分割模型支持较好太低会缺算子太高某些 runtime 不支持。动态轴设了之后ONNX 能接受任意尺寸输入但实际推理时尺寸最好还是和训练一致否则精度会飘。5.2 在 GUI 里做 A/B 精度对比交付前我习惯在 GUI 里加一个隐藏的对比模式同一张图分别用 PyTorch 和 ONNX 跑把两个掩码的差异图显示出来。差异大的区域标红这样能快速定位是量化误差还是预处理不一致。这个功能不用给最终用户但自己验收时能省很多事。def compare_masks(mask_a, mask_b): diff (mask_a ! mask_b).astype(np.uint8) * 255 # 把差异叠加到原图上显示 overlay original_image.copy() overlay[diff 0] [255, 0, 0] return overlay差异图如果集中在物体边界说明是正常的数值抖动如果整块区域类别都不同那就是预处理或归一化参数错了。这个技巧帮我抓到过好几次“训练用 BGR、推理用 RGB”的低级错误。5.3 我踩过的最大坑别信“默认参数”最后说个血泪教训。我最早做这个工具时直接用了torchvision的pretrainedTrue以为预处理就是标准 ImageNet 那套。结果在一个医学分割数据集上掩码整体偏移IoU 只有 0.3。查了两天才发现那个数据集训练时用的是mean[0.5,0.5,0.5]不是 ImageNet 的[0.485,0.456,0.406]。从那以后我养成了一个习惯拿到任何权重先翻训练脚本里的Normalize那行抄下来再写推理代码。GUI 里也加了一个“高级设置”面板把 mean/std 暴露出来方便现场调。做这类工具模型精度是算法的事但能不能用、好不好用是工程的事。把预处理对齐、线程管好、显存看住这三点做到交付就不会太难看。希望帮到你。本文还有配套的精品资源点击获取 Python+PyQt图像语义分割GUI实战：8个骨干网络与工程化交付
简介这是一套基于Python与PyQt构建的图像语义分割桌面软件源码面向计算机、人工智能、通信、自动化等专业的在校学生与教师也适合作为毕设、课程设计或项目立项的参考模板。软件集成mobilenet、resnet50等8种分割模型通过图形界面完成模型选择与推理展示帮助读者理解语义分割从网络结构到可视化交互的完整链路。资源包共153个文件约8.74MB其中37个py文件承载模型与界面逻辑85个svg与若干png、jpg、gif构成图标和示例素材另有yaml配置、qss样式、ui界面文件及md说明文档目录组织清晰。已有249人学习关注。下载后可获得可运行的完整工程、模型调用示例与文档说明便于对照代码梳理数据加载、推理与界面联动流程也能在此基础上修改扩展实现自定义分割功能。1. 从一张标注图到可交付软件图像语义分割 GUI 到底难在哪你可能遇到过这种场景算法同学丢过来一个unet.pth说“效果不错mIoU 0.78”可你打开一看推理脚本里路径写死、预处理和训练不一致、输出还是一张灰度图业务方根本没法用。图像语义分割从论文到能交付的桌面软件中间隔着的不是模型精度而是工程化。这个标题讲的就是用 Python PyQt 把语义分割做成一个带界面的软件内置 mobilenet、resnet50 等 8 个骨干网络配套源代码和文档说明。它解决的是“模型能跑”到“别人也能跑”的问题适合想入门 CV 桌面应用、需要给分割模型套壳交付、或者想系统对比不同 backbone 推理差异的开发者。下面我按自己搭这类工具的顺序把选型、代码、参数和踩过的坑讲清楚。2. 为什么用 PyQt 而不是 Web桌面分割工具的选型账2.1 推理场景决定了 GUI 框架的取舍图像语义分割的典型使用场景是本地批量处理选一个文件夹、加载模型、点开始、看进度、导出掩码。这类需求有三个硬约束——要读本地大图、要调 GPU、要离线可用。Web 方案Flask 前端在这三点上都不占优浏览器上传大图有内存和超时限制跨进程传张量开销大部署还要配服务。PyQt 直接跑在 Python 进程里QImage和numpy之间转换成本低调torch.cuda没有额外通信层这是它作为 GUI 框架的核心优势。另一个现实原因是打包。PyQt 配合 PyInstaller 能打成单个 exe发给不懂 Python 的同事双击就能用。Web 方案要对方装环境或者你维护一台服务器交付成本反而更高。所以做分割工具PyQt 是性价比最高的选择不是因为它多先进而是因为它离“能交付”最近。2.2 8 个模型不是凑数backbone 选型要按场景分档标题里说支持 mobilenet、resnet50 等 8 个模型很多人第一反应是“堆数量”。实际做下来这 8 个模型应该覆盖三档需求选型逻辑如下表档位代表模型参数量级适用场景推理耗时1080p单卡轻量实时MobileNetV2/V32-5M边缘设备、视频流30-60ms均衡通用ResNet50、ResNet10125-45M通用分割、精度优先120-250ms高精度HRNet、ViT 类60M遥感、医学等细粒度300ms选型时不要只看 mIoU。MobileNet 系列在 Cityscapes 上比 ResNet50 低 3-5 个点但速度快 4 倍做实时预览必须用它。ResNet50 是精度和速度的平衡点适合默认选项。遥感图像语义分割这类任务地物边界细轻量模型会糊成一片这时候就得上 HRNet。GUI 里应该让用户能切换 backbone而不是写死一个。2.3 最小可运行骨架PyQt 主窗口 推理线程先搭一个能跑通的骨架把界面和推理解耦。核心是用QThread把推理放到子线程避免界面卡死。import sys import numpy as np from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QLabel, QVBoxLayout, QWidget from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtGui import QImage, QPixmap class InferenceThread(QThread): finished pyqtSignal(np.ndarray) # 推理完成信号传回掩码 def __init__(self, model, image): super().__init__() self.model model self.image image def run(self): # 实际推理在这里model 是已加载的 torch 模型 with torch.no_grad(): output self.model(self.image) mask output.argmax(dim1).cpu().numpy()[0] self.finished.emit(mask) class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(语义分割工具) self.btn QPushButton(选择图片并推理) self.label QLabel(等待结果) layout QVBoxLayout() layout.addWidget(self.btn) layout.addWidget(self.label) container QWidget() container.setLayout(layout) self.setCentralWidget(container) self.btn.clicked.connect(self.on_click) def on_click(self): # 这里省略文件对话框和预处理重点看线程启动 self.thread InferenceThread(self.model, self.input_tensor) self.thread.finished.connect(self.show_result) self.thread.start() def show_result(self, mask): # 把掩码转成彩色图显示 color_mask self.palette[mask] h, w, _ color_mask.shape qimg QImage(color_mask.data, w, h, 3 * w, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg)) if __name__ __main__: app QApplication(sys.argv) win MainWindow() win.show() sys.exit(app.exec_())这段代码的关键点有三个。第一InferenceThread继承QThreadrun里做推理通过pyqtSignal把结果传回主线程这是 PyQt 里更新 UI 的标准做法直接在主线程推理会卡死界面。第二finished信号传的是np.ndarray不是QPixmap因为QPixmap只能在主线程创建子线程里碰它会崩。第三QImage构造时第四个参数是每行字节数彩色图是3 * w写错会花屏。参数上要注意torch.no_grad()必须加否则显存会随推理次数线性增长跑几十张图就 OOM。argmax(dim1)是因为分割输出是[N, C, H, W]在通道维取最大得到类别索引。这套骨架跑通后再往里填模型加载和预处理。3. 把 8 个模型接进 GUI加载、切换与预处理对齐3.1 模型注册表用字典管理 backbone 而不是 if-else8 个模型如果每个都写一段if model_name resnet50代码会烂掉。正确做法是建一个注册表把模型构建函数和对应的预处理参数绑在一起。import torchvision.models.segmentation as seg_models MODEL_REGISTRY { mobilenet_v3: { builder: lambda: seg_models.deeplabv3_mobilenet_v3_large(pretrainedTrue), input_size: (520, 520), mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], }, resnet50: { builder: lambda: seg_models.deeplabv3_resnet50(pretrainedTrue), input_size: (520, 520), mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], }, # 其余 6 个模型按同样结构补充 } def load_model(name, devicecuda): cfg MODEL_REGISTRY[name] model cfg[builder]().to(device).eval() return model, cfg注册表的好处是新增模型只改数据不改逻辑。input_size和归一化参数必须和训练时一致这是分割任务最容易翻车的地方——训练用 512推理用 520边界 IoU 能掉好几个点。pretrainedTrue在演示时方便实际部署要换成加载自己的权重把builder改成先建结构再load_state_dict。3.2 预处理必须和训练对齐三个参数别抄错预处理是分割推理的玄学重灾区。常见做法是 resize、归一化、转 tensor 三步但每一步都有坑。from torchvision import transforms def build_transform(cfg): return transforms.Compose([ transforms.Resize(cfg[input_size]), # 尺寸对齐 transforms.ToTensor(), # 转 [0,1] tensor transforms.Normalize(meancfg[mean], stdcfg[std]), # 归一化 ]) # 使用 transform build_transform(cfg) input_tensor transform(pil_image).unsqueeze(0).to(device)Resize的尺寸要和训练配置一致不要凭感觉写。ToTensor会把 PIL 图像的[0,255]转到[0,1]如果你自己又除了一次 255就重复了。Normalize的 mean/std 是 ImageNet 统计值但如果你的模型是在自定义数据集上微调的这两个值可能不同必须查训练脚本。我见过有人推理时用了 ImageNet 的 std训练时用的是[0.5,0.5,0.5]结果掩码整体偏移排查了一下午。3.3 模型切换时的显存管理GUI 里用户可能来回切模型如果每次切换都新建模型而不释放旧的显存会爆。正确做法是切换时先删旧模型再加载新的。def switch_model(self, new_name): if self.model is not None: del self.model torch.cuda.empty_cache() # 释放缓存显存 self.model, self.cfg load_model(new_name, self.device) self.transform build_transform(self.cfg)torch.cuda.empty_cache()不会释放被张量占用的显存但会释放缓存分配器持有的空闲块。配合del使用能把显存降下来。如果还是不够说明有别的张量没释放检查是不是把中间结果存到了self上。另外切换模型时最好禁用推理按钮等加载完再启用否则用户连点会触发多次加载。4. 避坑与排查分割 GUI 最常见的 5 个翻车现场4.1 界面卡死进度条不动现象点开始后窗口无响应任务管理器显示 CPU 占满但界面白屏。原因推理写在了主线程PyQt 的事件循环被阻塞。解决所有耗时操作放QThread通过信号更新进度。如果要在推理循环里更新进度条在run里发progress pyqtSignal(int)每处理一批发一次。4.2 掩码颜色和训练时对不上现象推理出的分割图颜色和验证集可视化不一致类别全乱。原因调色板palette没对齐或者argmax的维度搞错。解决把训练时用的 palette 存成列表推理后按索引取色。检查argmax是dim1还是dim0[N,C,H,W]是dim1。如果输出是 logits 没经过 softmaxargmax结果一样但如果你要做置信度显示就得先 softmax。4.3 大图推理 OOM现象小图正常一放 4K 图就显存不足。原因没有做分块推理整图塞进网络。解决对超过input_size的图做滑窗切块每块单独推理再拼接。切块时要有重叠overlap否则拼接处会有明显接缝。重叠比例一般取块大小的 1/4 到 1/2拼接时重叠区域取置信度最高的类别。4.4 打包后模型加载失败现象源码跑得好好的PyInstaller 打包成 exe 后报找不到权重文件。原因权重路径用了相对路径打包后工作目录变了。解决用sys._MEIPASS获取临时解压目录把权重文件通过--add-data打进去代码里用os.path.join(sys._MEIPASS, weights, model.pth)读取。或者把权重放外部目录首次运行时让用户指定路径。4.5 推理结果有噪点小目标丢失现象分割掩码边缘毛糙小物体整个消失。原因预处理 resize 把原图缩小了小目标信息丢失或者模型本身没在类似数据上训练过。解决推理时保持原图分辨率用滑窗而不是整体 resize。如果必须 resize用双线性插值而不是最近邻。后处理可以加条件随机场CRF或者简单的形态学开闭运算去噪但别过度会把细结构也抹掉。5. 进阶技巧用 ONNX 加速推理并做精度校验5.1 导出 ONNX 并验证数值一致性PyTorch 模型在 GUI 里推理启动慢、依赖重。导出 ONNX 后用onnxruntime推理速度能提升 20%-40%而且打包体积小。导出时要指定动态轴否则只能跑固定尺寸。import torch.onnx dummy torch.randn(1, 3, 520, 520).to(device) torch.onnx.export( model, dummy, deeplabv3_resnet50.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch, 2: height, 3: width}, output: {0: batch, 2: height, 3: width}}, opset_version11, )导出后必须做数值校验不能直接信。用同一张图分别跑 PyTorch 和 ONNX比较输出的最大绝对误差。import onnxruntime as ort sess ort.InferenceSession(deeplabv3_resnet50.onnx) onnx_out sess.run(None, {input: input_tensor.cpu().numpy()})[0] torch_out model(input_tensor).cpu().numpy() max_diff np.abs(onnx_out - torch_out).max() print(f最大误差: {max_diff}) # 一般应小于 1e-4如果误差超过 1e-3检查opset_version和算子兼容性。opset_version11对分割模型支持较好太低会缺算子太高某些 runtime 不支持。动态轴设了之后ONNX 能接受任意尺寸输入但实际推理时尺寸最好还是和训练一致否则精度会飘。5.2 在 GUI 里做 A/B 精度对比交付前我习惯在 GUI 里加一个隐藏的对比模式同一张图分别用 PyTorch 和 ONNX 跑把两个掩码的差异图显示出来。差异大的区域标红这样能快速定位是量化误差还是预处理不一致。这个功能不用给最终用户但自己验收时能省很多事。def compare_masks(mask_a, mask_b): diff (mask_a ! mask_b).astype(np.uint8) * 255 # 把差异叠加到原图上显示 overlay original_image.copy() overlay[diff 0] [255, 0, 0] return overlay差异图如果集中在物体边界说明是正常的数值抖动如果整块区域类别都不同那就是预处理或归一化参数错了。这个技巧帮我抓到过好几次“训练用 BGR、推理用 RGB”的低级错误。5.3 我踩过的最大坑别信“默认参数”最后说个血泪教训。我最早做这个工具时直接用了torchvision的pretrainedTrue以为预处理就是标准 ImageNet 那套。结果在一个医学分割数据集上掩码整体偏移IoU 只有 0.3。查了两天才发现那个数据集训练时用的是mean[0.5,0.5,0.5]不是 ImageNet 的[0.485,0.456,0.406]。从那以后我养成了一个习惯拿到任何权重先翻训练脚本里的Normalize那行抄下来再写推理代码。GUI 里也加了一个“高级设置”面板把 mean/std 暴露出来方便现场调。做这类工具模型精度是算法的事但能不能用、好不好用是工程的事。把预处理对齐、线程管好、显存看住这三点做到交付就不会太难看。希望帮到你。本文还有配套的精品资源点击获取