MLOps Academy · Ders

Taşınabilirlik için ONNX'e Aktarın

Bir modeli farklı çatılar ve çalışma zamanları arasında taşıyın.

Taşınabilirlik için ONNX'e Aktarın, CoddyKit'te ücretsiz bir MLOps Academy dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, MLOps Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. MLOps Academy kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

The Portability Problem

You trained in PyTorch but want to serve in C++ or the browser. A framework-locked file makes that painful. ONNX fixes it. 🌍

What ONNX Is

ONNX is an open, shared format for models. It describes the math as a graph that many frameworks and runtimes can read.

A Graph of Operators

Under the hood an ONNX model is a graph of standard operators like MatMul and Relu, plus the learned weights.

Train Once, Run Anywhere

Export once and the same file runs on servers, mobile, and edge devices through different runtimes, no retraining needed.

Export from PyTorch

PyTorch ships an exporter. You pass the model and a sample input to torch.onnx.export so it can trace the graph.

import torch
torch.onnx.export(model, sample, 'model.onnx')

Why a Sample Input?

The exporter runs your model on the sample to record which ops fire. That traced run becomes the graph it saves.

Convert from sklearn

For scikit-learn use the skl2onnx library. You give it the model and the input shape to produce an ONNX graph.

from skl2onnx import to_onnx
onx = to_onnx(model, X[:1])

Run with ONNX Runtime

ONNX Runtime is a fast, cross-platform engine. You load the .onnx file into a session and call run to get predictions.

import onnxruntime as ort
sess = ort.InferenceSession('model.onnx')

Speed and Hardware

ONNX Runtime can use execution providers like CUDA or TensorRT to accelerate the same model on different hardware. ⚡

Opset Versions

Each export targets an opset version that defines available operators. Match it to what your runtime supports, or loading fails.

Always Verify Outputs

After export, run both models on the same input and compare. Confirm the ONNX result matches the original before you ship it. ✅

Quick Check

Let's see how well you understand ONNX.

Recap

You can export models to ONNX, run them with ONNX Runtime on any hardware, mind the opset, and always verify outputs match. 🎉

Sıkça Sorulan Sorular

“Taşınabilirlik için ONNX'e Aktarın” dersi ücretsiz mi?

Evet — “Taşınabilirlik için ONNX'e Aktarın” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve MLOps Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. MLOps Academy kursu toplamda 4 dersten oluşur.

“Taşınabilirlik için ONNX'e Aktarın” dersinde ne öğreneceğim?

Bir modeli farklı çatılar ve çalışma zamanları arasında taşıyın. MLOps Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

MLOps Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te MLOps Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.

“Taşınabilirlik için ONNX'e Aktarın” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu MLOps Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her MLOps Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← MLOps Academy Sayfasına Dön