Anomalib onnx

### 将 Anomalib 模型转换为 ONNX 格式

为了将 Anomalib 模型成功转换为 ONNX 格式，需遵循一系列特定的操作流程。此过程不仅涉及模型本身的导出，还包括确保所有必要的依赖项都得到妥善处理。

#### 导出前准备

在执行任何操作之前，确认所使用的环境中已安装了 `torch` 和 `onnx` 库以及 Anomalib 所必需的其他库[^1]。可以通过 pip 安装缺失的部分：

pip install torch onnx anomalib

#### 加载训练好的 Anomalib 模型

假设已经有一个经过充分训练的 Anomalib 模型实例保存在一个 `.pth` 文件中，则可通过如下方式加载该模型：

import torch
from anomalib.models import get_model

model_path = "path/to/trained/model.pth"
anomalib_model = get_model('padim')  # 假设使用的是PADIM模型
checkpoint = torch.load(model_path, map_location=torch.device('cpu'))
anomalib_model.load_state_dict(checkpoint['state_dict'])
anomalib_model.eval()

上述代码片段展示了如何指定具体的异常检测算法（这里以 PADIM 为例），并从磁盘读取预训练权重来初始化对应的 Anomalib 模型对象。

#### 构建动态图转静态图所需输入张量

为了让 PyTorch 模型能够被顺利转化为 ONNX 格式，通常需要提供一个虚拟的输入样本作为模板。这个样例应尽可能贴近实际应用场景中的数据分布特征：

dummy_input = torch.randn(1, 3, 256, 256)  # 输入尺寸取决于具体应用情况调整

此处创建了一个形状为 `(batch_size=1, channels=3, height=256, width=256)` 的随机张量用于模拟真实世界的 RGB 图像批次输入。

#### 使用 TorchScript 或者 Tracing 方法导出至 ONNX

一旦拥有了合适的输入张量之后就可以调用 `torch.onnx.export()` 函数来进行最终的格式转换工作了：

output_onnx_file = 'anomalib_padim.onnx'
dynamic_axes = {'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}}
torch.onnx.export(
    anomalib_model,
    dummy_input,
    output_onnx_file,
    export_params=True,
    opset_version=11,
    do_constant_folding=True,
    input_names=['input'],
    output_names=['output'],
    dynamic_axes=dynamic_axes
)
print(f"Model has been converted to ONNX and saved at '{output_onnx_file}'")

这段脚本指定了多个参数选项以便更好地控制输出行为，比如设置可变维度大小、启用常数折叠优化等措施有助于提高后续部署阶段的表现效率。