嘿，我之前刚好踩过类似的坑，来给你捋捋可能的原因和解决办法！

首先，这个错误大概率是Sentis自带的YOLO后处理逻辑和你的模型输出形状不兼容导致的。Sentis默认的YOLO后处理钩子是针对标准YOLO输出形状设计的，而你自定义训练的YOLOv9s输出是(1,7,7581)，这个3维形状和Sentis预期的可能不一样——比如它可能默认期待输出是4维张量（包含锚框维度的那种），但你的输出没有第4维，所以它去访问axis=3的时候就直接越界了。

给你几个具体的解决方向：

1. 绕过Sentis自带的后处理，自己写推理逻辑 #

这是最直接的办法，毕竟自定义模型的输出格式往往和官方预设的不一样。你可以在Unity里这么做：

• 导入ONNX模型后，不要用Sentis提供的YOLO后处理工具类（比如YoloPostProcess之类的）
• 直接获取模型推理的原始输出张量，然后自己解析这个(1,7,7581)的形状：其中7对应的应该是[x,y,w,h,conf,class1,class2,...]（具体看你训练时的类别数），7581是检测框的数量
• 自己写代码过滤置信度、NMS（非极大值抑制）这些步骤，完全控制后处理流程，就不会触发Sentis的预设逻辑了

2. 导出ONNX时调整输出格式，匹配Sentis的预期 #

如果你还是想用Sentis的后处理，那得在导出ONNX的时候做调整：

• 导出时试试加上--simplify参数，也就是yolo export format=onnx opset=15 simplify=True，简化ONNX模型的结构，可能会修正输出张量的维度标识
• 或者在PyTorch里手动把输出张量reshape成Sentis期待的格式再导出，比如把你的(1,7,7581)转置成(1,7581,7)，这样张量就变成了3维但维度顺序更贴合常规YOLO输出，再导出ONNX后Sentis的后处理逻辑可能就能识别了

3. 自定义训练YOLOv9s转ONNX的最佳实践 #

给你几个我总结的坑点：

• 导出ONNX时一定要指定和Unity推理时一致的输入形状，比如你这里用的(1,3,448,640)，在Unity里加载模型后也要确保输入张量的形状完全匹配，不要动态改尺寸
• 尽量用opset=13或者15，这两个版本和Sentis的兼容性最好，别用太新的opset
• 导出后可以用Netron工具打开ONNX模型，检查输出张量的形状和维度，确保没有奇怪的动态维度（Sentis对动态维度的支持还不太稳定）
• 导出后先在PyTorch里测试ONNX模型的推理结果，和原始.pt模型对比一致后再导入Unity，提前排除模型导出的问题

另外，你可以先在Unity里写个简单的测试脚本，只做模型推理，不加载任何后处理，看看能不能正常拿到输出张量。如果能拿到，那肯定就是后处理的问题；如果还是报错，那可能是ONNX模型本身的导出有问题，得回去检查导出命令。

希望这些能帮到你，要是还有问题可以再补充细节！

内容来源于stack exchange