如何修改预训练ONNX模型的固定输入输出形状？

方案1：直接通过ONNX库修改并做形状推断 #

适合有基础Python能力的用户，直接操作模型结构：

• 第一步：查看当前模型的输入输出形状

  import onnx
  
  model = onnx.load("your_model.onnx")
  
  # 打印输入信息
  for idx, input in enumerate(model.graph.input):
      dims = [dim.dim_value for dim in input.type.tensor_type.shape.dim]
      print(f"输入{idx+1}：名称={input.name}，形状={dims}")
  
  # 打印输出信息
  for idx, output in enumerate(model.graph.output):
      dims = [dim.dim_value for dim in output.type.tensor_type.shape.dim]
      print(f"输出{idx+1}：名称={output.name}，形状={dims}")
  

• 第二步：修改输入输出的目标形状
  找到要修改的输入/输出节点，直接替换dim_value的值：

  # 示例：修改第一个输入的第一个维度为64（根据你的需求调整索引和数值）
  model.graph.input[0].type.tensor_type.shape.dim[0].dim_value = 64
  
  # 对应修改输出的匹配维度
  model.graph.output[0].type.tensor_type.shape.dim[0].dim_value = 64
  

• 第三步：形状推断并保存模型
  修改后需要确保所有节点的形状逻辑一致，用ONNX的形状推断工具修正：

  inferred_model = onnx.shape_inference.infer_shapes(model)
  onnx.save(inferred_model, "modified_model.onnx")
  

  注意：如果模型内存在硬编码形状的算子（如固定尺寸的池化、卷积），此方法可能报错，需结合方案3调整算子属性。

方案2：先转动态形状再固定为目标形状 #

针对你之前使用make_dynamic_shape_fixed失败的情况，可以先将固定形状转为动态，再设置目标固定形状：

• 第一步：转换为动态形状模型
  运行命令行工具：

  python -m onnxruntime.tools.convert_onnx_models_to_dynamic your_model.onnx dynamic_model.onnx
  

• 第二步：固定为目标形状
  替换命令中的input_name、output_name和目标形状为你的实际信息：

  python -m onnxruntime.tools.make_dynamic_shape_fixed dynamic_model.onnx modified_model.onnx \
  --input_shapes "input_name:[64,3,224,224]" \
  --output_shapes "output_name:[64,1000]"
  

方案3：用Netron可视化工具修改（新手友好） #

• 下载Netron本地桌面版，打开你的ONNX模型
• 找到输入节点，右键选择「Edit Shape」，输入目标形状数值
• 同理修改输出节点的形状，完成后保存模型
• 验证修改后的模型：

  import onnxruntime as ort
  import numpy as np
  
  sess = ort.InferenceSession("modified_model.onnx")
  # 构造符合新形状的输入数据（替换为你的目标形状）
  input_data = np.random.randn(64, 3, 224, 224).astype(np.float32)
  outputs = sess.run(None, {sess.get_inputs()[0].name: input_data})
  print(f"输出形状：{outputs[0].shape}")
  

注意事项 #

• 如果修改后模型运行报错，优先检查是否有算子依赖原固定形状（如池化层的stride/padding与输入尺寸绑定），可通过Netron查看算子属性并手动调整。
• 跨框架转换（如转TensorFlow）容易丢失模型细节，不建议作为首选方案。

内容的提问来源于stack exchange，提问作者Montparg