ONNX 量化模型：crop_leaf_diseases_vit

本仓库包含了一个 ONNX 量化版本的预训练 ViT 模型，用于农作物叶片病害分类，原始模型来自 wambugu71/crop_leaf_diseases_vit。

原始模型被转换为 ONNX 格式，然后量化为 INT8，以提高效率并减小模型大小，使其适合部署在资源受限的环境中，例如移动设备。

模型详情

• 原始模型： wambugu71/crop_leaf_diseases_vit
• 格式： ONNX（量化为 INT8）
• 任务： 图像分类
• 类别：（如果原始模型卡或文档中提供了类别列表，请在此列出；否则说明类别来自原始模型）

使用方法

此模型可以使用 ONNX Runtime 加载并进行推理。

import onnxruntime as ort
import numpy as np
from PIL import Image
from transformers import AutoFeatureExtractor # 假设预处理需要使用 feature_extractor

# 加载量化后的 ONNX 模型
onnx_model_path = "crop_leaf_diseases_vit.quant.onnx" # 或正确的量化模型文件名
session = ort.InferenceSession(onnx_model_path)

# 获取输入和输出名称
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name

# 推理示例（假设你有一张图像和一个特征提取器）
# 替换为你实际的图像加载和预处理代码
image_path = "path/to/your/image.jpg"
image = Image.open(image_path).convert("RGB")

# 加载转换时使用的特征提取器
# feature_extractor = AutoFeatureExtractor.from_pretrained("wambugu71/crop_leaf_diseases_vit")
# inputs = feature_extractor(images=image, return_tensors="np")
# pixel_values = inputs["pixel_values"]

# 如果不使用特征提取器，你可能需要根据原始模型的要求手动进行预处理
#（例如：调整大小、归一化）
# 例如，如果模型期望 3x224x224 float32 输入：
# resized_image = image.resize((224, 224))
# input_data = np.array(resized_image, dtype=np.float32).transpose(2, 0, 1) # HWC 转换为 CHW
# input_data = np.expand_dims(input_data, axis=0) # 添加批次维度
# pixel_values = input_data

# 运行推理
outputs = session.run([output_name], {input_name: pixel_values})
logits = outputs[0]

# 后处理（分类示例）
predicted_class_idx = np.argmax(logits, axis=1)[0]
print("预测类别索引：", predicted_class_idx)

# 然后你可以使用原始模型的标签映射（如果可用）
# 将 predicted_class_idx 映射到实际的类别标签

量化详情

此模型使用 ONNX Runtime 的动态量化进行量化。

文件

• crop_leaf_diseases_vit.onnx：原始 ONNX 模型（量化前）。
• crop_leaf_diseases_vit.quant.onnx：量化后的 ONNX 模型（INT8），请查看 Colab 链接。