PyTorch训练的ResNet18转ONNX后用OpenCV推理仅输出固定标签如何排查

1. 图像预处理顺序错误（核心问题） #

你当前的albumentations变换顺序完全颠倒，ToFloat操作必须放在Normalize之前：

# 错误顺序
albumentations.Normalize(mean=(0.5), std=(0.2)),
albumentations.ToFloat(max_value=255)

ToFloat的作用是将0_{255范围的uint8图像缩放为0}1范围的浮点数，而你的Normalize参数mean=0.5、std=0.2是针对0_{1范围的数值设计的。如果先做Normalize，会直接对0}255的原始值做归一化，得到完全错误的数值分布，最终导致模型推理结果异常。
修改后的变换顺序应为：

self.transform = albumentations.Compose([
        albumentations.Resize(512, 384, cv2.INTER_LINEAR),
        albumentations.GaussianBlur(3, sigma_limit=(0.1, 2)),
        albumentations.ToFloat(max_value=255),
        albumentations.Normalize(mean=(0.5, 0.5, 0.5), std=(0.2, 0.2, 0.2))
        ])

这里同时把单值的mean、std改为三通道格式，避免广播歧义。

2. blobFromImage参数缺失 #

调用cv2.dnn.blobFromImage时建议显式指定输入尺寸，避免因图像尺寸不匹配导致的推理错误，同时确认输入张量维度和导出ONNX时的输入维度一致：

blob = cv2.dnn.blobFromImage(image, scalefactor=1.0, size=(384, 512), swapRB=False, crop=False)

注意blobFromImage的size参数格式是(width, height)，和你导出时的输入尺寸[1,3,512,384]对应，这里要传(384,512)。

3. ONNX导出配置优化 #

你当前使用的opset_version=10版本较低，旧版本算子可能存在OpenCV兼容问题，建议升级到opset16及以上：

torch.onnx.export(model, x, "model.onnx", export_params=True, opset_version=16, do_constant_folding=True, input_names = ['input'], output_names = ['output'])

导出后可以先通过onnxruntime验证ONNX模型的输出和PyTorch原生输出是否一致，排除导出环节的问题。

4. 依赖版本检查 #

如果以上修改后仍有问题，建议升级OpenCV到4.5.0以上版本，旧版本OpenCV的DNN模块对ONNX格式的支持存在较多已知bug。

内容的提问来源于stack exchange，提问作者이준혁