PaddleDetection模型导出ONNX格式时的Shape问题解析

在使用PaddleDetection框架进行目标检测模型部署时，将训练好的模型导出为ONNX格式是一个常见需求。本文将以PP-YOLOE+模型为例，深入分析模型导出过程中遇到的Shape问题及其解决方案。

问题现象

用户在使用PaddleDetection导出PP-YOLOE+模型为ONNX格式时，发现输入Tensor的Shape显示为动态维度，特别是batch维度显示为"-1"（表示动态维度），而期望得到的是固定Shape如[1,3,640,640]。

原因分析

PaddleDetection默认导出的ONNX模型会保留动态batch维度，这是为了适应不同batch size的推理需求。这种设计虽然灵活，但在某些部署场景下需要固定Shape的模型输入。

解决方案

方法一：使用paddle2onnx优化工具

通过paddle2onnx的optimize子命令可以指定固定的输入Shape：

python -m paddle2onnx.optimize \
  --input_model ppyoloe_plus_crn_s_80e_coco.onnx \
  --output_model ppyoloe_plus_crn_s_80e_coco.onnx \
  --input_shape_dict "{'image':[1,3,640,640],'scale_factor':[1,2],'tmp_17':[1,8400,4],'concat_14.tmp_0':[1,80,8400]}"

这种方法直接作用于已导出的ONNX模型，通过显式指定各输入Tensor的Shape来固定维度。

方法二：导出时指定batch size

在模型导出阶段，可以通过修改TestReader配置来指定batch size：

python tools/export_model.py \
  -c configs/ppyoloe/ppyoloe_plus_crn_s_80e_coco.yml \
  -o weights=../ppyoloe_plus_crn_s_80e_coco.pdparams \
  exclude_nms=True \
  use_gpu=false \
  TestReader.inputs_def.image_shape=[1,3,640,640]

注意这里将image_shape从[3,640,640]改为[1,3,640,640]，明确包含了batch维度。

技术要点

1. 动态Shape与静态Shape：ONNX模型支持动态维度（用-1表示），但在某些部署场景需要固定Shape。

2. 多输入处理：PP-YOLOE+等检测模型通常有多个输入（如图像数据、scale_factor等），需要同时指定它们的Shape。

3. 后处理优化：如果导出时排除了NMS（exclude_nms=True），在部署时需要额外处理检测框的后处理。

最佳实践建议

1. 对于固定batch size的部署场景，建议在导出时就指定完整Shape。

2. 如果需要支持多batch推理，可以保留动态batch，但需确保部署环境支持动态Shape。

3. 使用onnxruntime或TensorRT等推理引擎时，注意检查其对动态Shape的支持情况。

4. 对于生产环境，建议导出后使用onnx-simplifier等工具进一步优化模型。

通过以上方法，可以灵活控制PaddleDetection模型导出为ONNX格式时的输入Shape，满足不同部署场景的需求。