- 人工智能
- 大模型
- 计算机视觉
- NLP
- 模型评测
【免费下载链接】models
A collection of pre-trained, state-of-the-art models in the ONNX format
本篇技术指南以 validated/vision/classification/zfnet-512/README.md 为骨架，系统讲解 ONNX Model Zoo 中 ZFNet-512 分类模型的模型形态、多种 Opset 版本差异、输入输出张量约定、精度与量化数据，并结合仓库源码给出可复现的预处理/后处理与量化命令。读完本文，你将掌握 ZFNet-512 ONNX 模型的选型、下载、验证与 INT8 量化的完整操作路径。
一、ZFNet-512 模型是什么
ZFNet-512 是一个用于图像分类的深度卷积网络，源自 Zeiler 与 Fergus 的经典论文《Visualizing and Understanding Convolutional Networks》（arXiv:1311.2901）。该网络以 AlexNet 结构为基础，通过可视化分析卷积特征来改进网络设计，其第 4 层拥有 512 个特征图（feature map），而论文原始版本中该层为 1024 个——这正是模型名中 "512" 的由来。
在 README.md 的已验证模型列表中，ZFNet-512 被归类于 Image Classification 类别，其训练数据集为 ILSVRC2013（ImageNet 大规模视觉识别挑战赛 2013），输出覆盖 1000 个物体类别（如键盘、鼠标、铅笔及各类动物等）。本文所述模型的转换路径为Caffe2 ZFNet-512 → ONNX ZFNet-512，属于官方 ONNX Model Zoo 中经过准确性验证的存量模型。
二、模型文件与版本矩阵
在仓库中，ZFNet-512 的所有模型文件与随附测试数据位于validated/vision/classification/zfnet-512/model/目录下，同时 ONNX_HUB_MANIFEST.json 中登记了每个文件的 SHA 校验值与字节大小，可用于下载后校验完整性。
| 模型 | ONNX 版本 | Opset 版本 | Top-1 准确率 (%) | Top-5 准确率 (%) |
|---|---|---|---|---|
| ZFNet-512（fp32，Opset 3） | 1.1 | 3 | — | — |
| ZFNet-512（fp32，Opset 6） | 1.1.2 | 6 | — | — |
| ZFNet-512（fp32，Opset 7） | 1.2 | 7 | — | — |
| ZFNet-512（fp32，Opset 8） | 1.3 | 8 | — | — |
| ZFNet-512（fp32，Opset 9） | 1.4 | 9 | — | — |
| ZFNet-512（fp32，Opset 12） | 1.9 | 12 | 55.97 | 79.41 |
| ZFNet-512-int8（Opset 12） | 1.9 | 12 | 55.84 | 79.33 |
| ZFNet-512-qdq（Opset 12） | 1.9 | 12 | 55.83 | 79.42 |
对应仓库文件路径如下（均位于 model 目录 下）：
- zfnet512-3.onnx
- zfnet512-6.onnx
- zfnet512-7.onnx
- zfnet512-8.onnx
- zfnet512-9.onnx
- zfnet512-12.onnx
- zfnet512-12-int8.onnx
- zfnet512-12-qdq.onnx
每个.onnx均配套提供带示例测试数据的压缩包（.tar.gz），例如 zfnet512-12.tar.gz、zfnet512-12-int8.tar.gz。从 ONNX_HUB_MANIFEST.json 的登记信息可以确认：Opset 12 的 fp32 模型约 349 MB，int8 模型约 87 MB，qdq 模型约 87 MB；带测试数据的压缩包分别约 324 MB、50 MB 与 58 MB。
版本选型建议：早期 Opset（3/6/7/8/9）模型未登记 Top-1/Top-5 准确率，仅作为兼容旧版 ONNX Runtime 的存量产物；若以精度与量化能力为目标，应优先使用 Opset 12 系列（fp32 / int8 / qdq 三件套）。
三、模型输入与输出约定
依据 zfnet-512 的 README 与 ONNX_HUB_MANIFEST.json 中登记的io_ports，该模型的输入输出定义完全一致：
输入
gpu_0/data_0: float[1, 3, 224, 224]即单张图片，批大小为 1，3 个通道（RGB），空间尺寸 224×224。
输出
gpu_0/softmax_1: float[1, 1000]即经过 Softmax 后的 1000 类概率分布向量。
附加特征输出
对于 Opset 7、8、9、12 版本，Manifest 中还登记了额外的特征端口：
gpu_0/fc7_2: float[1, 1024]这是全连接层 fc7 的输出特征（1024 维），可用于特征提取、迁移学习或模型可视化分析场景。若只需要分类结果，可忽略该端口。
测试数据
压缩包内含随机生成的示例测试数据，目录组织为：
test_data_set_0test_data_set_1test_data_set_2test_data_set_3test_data_set_4test_data_set_5
共 6 组。根据 README.md 的 Usage 章节说明，ONNX 测试数据有两种组织方式：.pb格式（test_data_set_*目录内放置input_*.pb与output_*.pb的序列化 TensorProto）或.npz格式（每个文件包含一组输入输出）。你可以在解压后用 workflow_scripts 目录 下的工具脚本辅助校验模型输出。
四、预处理与后处理步骤
zfnet-512 的 README 明确指出：不同的预处理方法会得到不同的准确率，表格中的精度数据依赖于特定预处理流程。仓库为 ImageNet 系列模型提供了现成的参考实现，可直接作为 ZFNet-512 的预处理/后处理模板：
- 预处理：imagenet_preprocess.py（含
preprocess与preprocess_mxnet两个实现） - 后处理：imagenet_postprocess.py（
postprocess函数）
预处理要点（preprocess，与精度数据对齐）
- 等比缩放：将图片短边缩放到 256，保持宽高比（使用 BILINEAR 插值）；
- 中心裁剪：裁剪 224×224 的居中窗口，匹配模型输入尺寸；
- 通道转置：将 HWC 布局转置为 CHW；
- 归一化：先将像素值除以 255，再按 ImageNet 统计均值与标准差做标准化：
mean_vec = np.array([0.485, 0.456, 0.406]) stddev_vec = np.array([0.229, 0.224, 0.225]) norm_img_data[i,:,:] = (img_data[i,:,:]/255 - mean_vec[i]) / stddev_vec[i]- 扩维：reshape 为
[1, 3, 224, 224]的 float32 张量，与模型输入gpu_0/data_0完全对应。
后处理要点（postprocess）
prob = mx.ndarray.softmax(scores).asnumpy() prob = np.squeeze(prob) a = np.argsort(prob)[::-1] return a即对模型输出的 logits 施加 Softmax，再按概率从高到低排序返回类别 ID——前若干项即为 Top-k 预测结果。
五、精度数据与量化说明
Opset 12 系列模型的精度对比如下（数据源自 zfnet-512 README）：
| 指标 | fp32 | int8 | qdq |
|---|---|---|---|
| Top-1 准确率 | 55.97% | 55.84% | 55.83% |
| Top-5 准确率 | 79.41% | 79.33% | 79.42% |
与 fp32 基线相比：
- int8 模型的 Top-1 准确率下降 0.23%，Top-5 准确率下降 0.10%，推理性能提升 1.78×；
- qdq 模型在 Top-1 上略低于基线（55.83%），Top-5 反而略高于基线（79.42%）。
需要强调的是，上述性能数据在特定硬件环境下测得：Intel® Xeon® Platinum 8280 处理器，1 路 4 核单实例，CentOS Linux 8.3，batch size = 1。性能数据依赖测试硬件，不同环境下的加速比会有所不同，引用时应注明测试条件。
int8 与 qdq 两种量化形态
zfnet512-12-int8.onnx：算子导向（operator-oriented）的 INT8 量化表示；zfnet512-12-qdq.onnx：张量导向（tensor-oriented）的 QDQ（Quantize-Dequantize）量化表示。
两种形态均通过对 fp32 的zfnet512-12.onnx量化得到，使用的是 Intel® Neural Compressor 的 onnxruntime 后端（PTQ，训练后量化）。关于 QDQ 与算子级量化的具体差异与使用方式，仓库根 README.md 中也有说明：INT8 模型由 Intel® Neural Compressor 生成，该工具支持自动精度驱动的调优策略，可帮助用户快速找到最优量化模型。
六、量化复现：环境、下载与命令
环境
- onnx: 1.9.0
- onnxruntime: 1.8.0
准备 fp32 模型
wget https://github.com/onnx/models/raw/main/vision/classification/zfnet-512/model/zfnet512-12.onnx（在只读镜像仓库环境中，可直接从 validated/vision/classification/zfnet-512/model/zfnet512-12.onnx 获取同一份模型文件。）
执行量化
使用 Intel® Neural Compressor 的run_tuning.sh脚本进行训练后量化（PTQ）。务必在配置文件中指定正确的数据集路径，命令格式如下：
bash run_tuning.sh --input_model=path/to/model \ # 模型路径，*.onnx 格式 --config=zfnet512.yaml \ --data_path=/path/to/imagenet \ --label_path=/path/to/imagenet/label \ --output_model=path/to/save参数说明：
| 参数 | 含义 |
|---|---|
--input_model | 待量化的 fp32 ONNX 模型路径 |
--config | 量化配置文件（此处为 zfnet512.yaml），其中需填写数据集路径 |
--data_path | ImageNet 数据集路径 |
--label_path | ImageNet 标签文件路径 |
--output_model | 量化后模型的保存路径 |
量化完成后，即可用第二节表格中的 int8/qdq 模型进行精度对比与性能测试。
七、结合仓库源码验证模型
仓库为 ONNX 模型的验证提供了标准化工具链，位于 validated/workflow_scripts 目录，包括：
- test_models.py：批量验证模型的主脚本；
- ort_test_dir_utils.py：基于 ONNX Runtime 的测试目录工具；
- onnx_test_data_utils.py：测试数据（TensorProto / NumPy 归档）解析工具；
- check_model.py 与 test_utils.py：模型检查与通用工具。
参考 README.md 中提供的测试数据加载代码，可以用onnx.load('model.onnx')加载模型，读取test_data_set_*中的input_*.pb与output_*.pb（或test_data_*.npz），在任意支持 ONNX 推理的后端上运行，并用np.testing.assert_almost_equal与参考输出对比，从而验证 zfnet512-12.onnx 的解压产物是否正常工作。
八、参考与许可
- 论文：《Visualizing and Understanding Convolutional Networks》（arXiv:1311.2901）
- 量化工具：Intel® Neural Compressor（onnxruntime 后端）
- 贡献者：mengniwang95、yuwenzho、airMeng、ftian1、hshen14（均来自 Intel）
- 许可证：MIT（模型卡片声明），仓库根 README 则声明 Apache License v2.0，引用时以具体文件头部 SPDX 标识为准
- 人工智能
- 大模型
- 计算机视觉
- NLP
- 模型评测
【免费下载链接】models
A collection of pre-trained, state-of-the-art models in the ONNX format
相关推荐
ONNX Model Zoo 中的 YOLOv3：模型文件、推理管线与 INT8 量化实战指南
ONNX Model Zoo 中的 YOLOv3：模型文件、推理管线与 INT8 量化实战指南 YOLOv3 是经典的单阶段实时目标检测网络，可在单张图像中同时
人工智能大模型计算机视觉NLP模型评测ONNX 模型仓库 DenseNet-121 全解析：模型变体、输入输出协议与 INT8 量化实战
ONNX 模型仓库 DenseNet 121 全解析：模型变体、输入输出协议与 INT8 量化实战 本篇技术指南以 validated/vision/class
人工智能大模型计算机视觉NLP模型评测ONNX Model Zoo 中的 ShuffleNet 系列模型：从 PyTorch 导出、ONNX Runtime 推理到 INT8 量化完整指南
ONNX Model Zoo 中的 ShuffleNet 系列模型：从 PyTorch 导出、ONNX Runtime 推理到 INT8 量化完整指南 本文以
人工智能大模型计算机视觉NLP模型评测
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
