使用onnx-tf转换ONNX模型时提示No schema registered for 'BitShift'报错
ONNX转TensorFlow流程中
BitShift算子报错的解决方法 报错根因说明
你碰到的SchemaError: No schema registered for 'BitShift'本质是版本匹配错位的问题,和你单方面调整onnx版本的操作无关:
BitShift是ONNX opset 18之后才纳入官方算子集的节点,你之前尝试的1.6.0、1.8.0、1.8.1版本的onnx,内置的算子schema库根本没有收录这个节点的定义。只要你的ONNX模型文件里本身带了这个类型的节点,在onnx加载解析阶段就会直接抛出未注册的错误,这也是你反复降级onnx版本始终无法解决问题的核心原因。
补充说明:这类BitShift节点通常不是PyTorch代码里显式实现的逻辑,大多是导出ONNX时,量化推理分支、张量掩码偏移、位运算逻辑被PyTorch的导出器自动映射生成的。
落地解决步骤
- 第一步:确认模型内的算子组成
运行以下代码扫描ONNX模型包含的所有算子,验证BitShift节点的存在:import onnx onnx_model = onnx.load("../input/onnx-model/model.onnx") used_ops = set(node.op_type for node in onnx_model.graph.node) print("模型包含的算子:", used_ops) - 第二步:安装版本匹配的onnx与onnx-tf组合
单独调整onnx版本没法解决问题,需要搭配已经实现BitShift解析、转换能力的onnx-tf版本,在Kaggle Notebook的命令行单元运行安装命令即可:
这个版本组合的schema库已经完整收录BitShift节点定义,onnx-tf端也完成了该算子对应的TensorFlow实现逻辑,不会再触发schema未注册的报错。pip install onnx==1.14.0 onnx-tf==1.13.0 - 第三步:完成TFJS部署格式转换
等正常导出model.pb文件后,直接调用TFJS的转换工具生成Web端可加载的模型文件即可:import tensorflowjs as tfjs tfjs.converters.convert_tf_saved_model( saved_model_dir="output/", output_dir="tfjs_deploy_model" )
方案适配提示
你之前在onnx.js链路中卡壳的图像归一化、尺寸调整环节,在TFJS链路中可以直接调用内置张量运算接口实现,不需要在JS端手写像素插值、数值偏移逻辑,和PyTorch训练时的预处理流程对齐成本会低很多。
内容的提问来源于stack exchange,提问作者ameya
相关产品推荐
相关产品推荐

