ONNX中Conv算子输出形状为None，yolov7转TensorFlow报错求助

我训练了一个PyTorch版YOLOv7模型，使用以下脚本导出为ONNX格式：

!git clone https://github.com/WongKinYiu/yolov7
!pip install -r yolov7/requirements.txt
...
!python3 yolov7/export.py --weights {my_checkpoint_path} --grid --simplify

之后用onnx2tf转换为TensorFlow格式时触发报错，关键日志如下：

Model convertion started ============================================================
INFO: input_op_name: images shape: [1, 3, 640, 640] dtype: float32

INFO: onnx_op_type: Conv onnx_op_name: /model.0/conv/Conv
INFO:  input_name.1: images shape: [1, 3, 640, 640] dtype: float32
INFO:  input_name.2: model.0.conv.weight shape: [32, 3, 3, 3] dtype: <class 'numpy.float32'>
INFO:  input_name.3: model.0.conv.bias shape: [32] dtype: <class 'numpy.float32'>
INFO:  output_name.1: /model.0/conv/Conv_output_0 shape: None dtype: None
ERROR: The trace log is below.
Traceback (most recent call last):
  File "/usr/local/google/home/huiliukeith/pytorchenv/lib/python3.10/site-packages/onnx2tf/utils/common_functions.py", line 267, in print_wrapper_func
    result = func(*args, **kwargs)
  File "/usr/local/google/home/huiliukeith/pytorchenv/lib/python3.10/site-packages/onnx2tf/utils/common_functions.py", line 329, in inverted_operation_enable_disable_wrapper_func
    result = func(*args, **kwargs)
  File "/usr/local/google/home/huiliukeith/pytorchenv/lib/python3.10/site-packages/onnx2tf/ops/Conv.py", line 111, in make_node
    and graph_node.inputs[0].shape[2:] == output_tensor_shape[2:]:
TypeError: 'NoneType' object is not subscriptable

我认为问题不在onnx2tf，而是ONNX导出时Conv层的输出形状被标记为None，想知道torch.onnx.export的哪些参数会导致这种情况？

解答 #

确实，torch.onnx.export的多个参数会影响ONNX模型的形状推断结果，导致输出形状被标记为None，关键参数及调整方案如下：

1. 动态维度设置（dynamic_axes） #

如果导出时设置了dynamic_axes（比如允许batch size、输入尺寸动态变化），但未明确固定静态维度，ONNX会将可变维度标记为None。如果你的场景不需要动态维度，直接注释或删除这个参数即可；若必须保留动态性，也要明确指定哪些维度是动态的，避免全维度动态化。

2. opset版本（opset_version） #

过低的opset版本（比如低于12）对形状推断的支持有限，建议使用opset 13及以上版本，YOLOv7的导出脚本默认可能使用较低版本，手动修改可提升形状推断准确性。

3. 常量折叠（do_constant_folding） #

启用常量折叠（默认值为True）可以优化计算图，让ONNX更好地推断静态形状。如果导出时被设置为False，可能导致部分层的形状无法被正确解析。

4. 输入/输出名称指定（input_names/output_names） #

明确指定输入输出张量名称，能帮助ONNX工具更清晰地解析图结构，避免因张量标识模糊导致的形状推断失败。

针对YOLOv7导出脚本的修改示例 #

找到YOLOv7的export.py中torch.onnx.export的调用代码，修改为如下配置：

torch.onnx.export(model, img, f, verbose=False, opset_version=13,
                  training=torch.onnx.TrainingMode.EVAL,
                  do_constant_folding=True,
                  input_names=['images'],
                  output_names=['output'],
                  # 若不需要动态维度，注释掉下面的dynamic_axes
                  # dynamic_axes={'images': {0: 'batch_size'},
                  #               'output': {0: 'batch_size'}}
                  )

验证ONNX模型的形状 #

导出后可通过onnxruntime快速检查输出形状是否为静态值：

pip install onnxruntime

import onnxruntime as ort

sess = ort.InferenceSession("your_exported_model.onnx")
print(f"输入形状: {sess.get_inputs()[0].shape}")
print(f"输出形状: {sess.get_outputs()[0].shape}")

如果输出形状仍为None，说明模型内部存在可变尺寸的操作，此时可在onnx2tf转换时用-ois参数强制指定静态输入形状（如onnx2tf -i your_model.onnx -ois "[1,3,640,640]"），但优先建议从导出阶段解决形状问题。

内容的提问来源于stack exchange，提问作者Hui Liu