给LLM Agent应用插上视觉模型的翅膀，一文搞懂ONNX如何加载头部姿态评估模型_autogen register function

现在，生活中处处都是AI的影子，手机中照片自动优化，自动抠图，照片自动根据人脸分组。抖音直播中送的眼镜，甚至是现在的文生图、图生图，都是AI模型。所以，我认为每个工程师都应该了解和使用模型，看到喜欢的模型，就动动手用起来，丰富自己的工具栈。

如果将视觉模型按照LLM工具调用方式嵌入到大语言模型应用中，给大语言模型插上视觉模型必定能让你的LLM应用更为有趣。

或许有人告诉你模型太复杂了，机器学习太复杂了，还要学习线性代数、矩阵运算、概率论等等。这简直令人头大，然而我们今天要说的是加载和使用模型。你只需熟悉Python或者Java或者C#再或者JS、C++等就能跑起来，没有那么多高深的知识，它已经大大简化了我们使用模型的门槛。

这篇论文由 Thorsten Hempel、Ahmed A. Abdelrahman 和 Ayoub Al-Hamadi 撰写，来自德国马格德堡的奥托·冯·格里克大学电气工程与信息技术学院。 论文提出了一种用于无约束头部姿态估计的新方法。作者针对旋转标签的歧义问题，引入了旋转矩阵的形式主义，并提出了一种连续的6D旋转矩阵表示，以便进行高效且稳健的直接回归。这种方法可以学习到完整的旋转外观，超越了之前方法的能力，这些方法通常将姿态预测限制在狭窄的角度范围内以获得满意的结果。此外，作者还提出了一种基于测地线距离的损失函数，以SO(3)流形几何学为依据对网络进行惩罚。在公共AFLW2000和BIWI数据集上的实验表明，所提出的方法显著优于其他最先进的方法，提高了高达20%的性能。 关键点包括：

• 提出了一种无标记的头部姿态估计方法，使用旋转矩阵表示进行准确的姿态回归。
• 通过压缩的6D形式高效回归，然后将其转换为旋转矩阵。
• 引入了基于测地线距离的损失函数，以更好地反映SO(3)流形的几何特性。
• 在AFLW2000和BIWI数据集上的性能显著优于其他方法。
• 开源了代码和模型，以促进研究实验和实际应用开发。 论文还详细介绍了所提出方法的实现细节，包括使用Pytorch框架、RepVGG作为主干网络、训练策略、数据集以及与其他最先进方法的比较。

[6DRepNet]中给出的预训练模型是以pth结尾的Pytorch导出模型，Pytorch虽然也简单，但我们不打算使用，因为Pytorch更偏向于为算法工程师提供训练模型流程。今天我们要介绍的是ONNX，全称Open Neural Network Exchange，开放神经网络交换，是一种用于表示机器学习模型的开放格式，定义了一组通用的运算符——即机器学习和深度学习模型的构建模块，并提供了一种通用的文件格式，使得 AI 开发者能够在各种框架、工具、运行时和编译器中使用模型。简单的说，它使得模型便于在不同机器学习框架中转换、加载使用，关键是支持在云端、移动设备和嵌入式设备中部署。

那么ONNX模型怎么使用呢？

1. ONNX

作为工程师，你把ONNX当做一个黑盒子，只需要知道输入和输出是什么了？模型本身是自解释的，当你有了ONNX模型，你只需要使用https://netron.app/即可查看模型的输入输出，仍然以6drepnet360为例。打开netron之后，点击Open Model并选中你本地的模型，他会自动解析出类似下图的模型属性和输入输出。

以上是采用netron在线app查看onnx模型的输入输出和属性，我们也可以使用程序进行打印查看。这要说的就是onnx包。

首先我们安装onnx包。

pip install onnx

1
2

然后加载模型并输出它的input和output要求。

import onnx
model = onnx.load("models/sixdrepnet360_Nx3x224x224.onnx")
print(model.graph.input)
print(model.graph.output)

1
2
3
4
5

输入参数要求如下，N表示输入的batch数量，后面3表示RGB3个通道，224和224表示高和宽：

[name: "input"
type {
  tensor_type {
    elem_type: 1
    shape {
      dim {
        dim_param: "N"
      }
      dim {
        dim_value: 3
      }
      dim {
        dim_value: 224
      }
      dim {
        dim_value: 224
      }
    }
  }
}
]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

输出参数如下，输入batch的数量N和输出3个yaw pitch roll。

[name: "yaw_pitch_roll"
type {
  tensor_type {
    elem_type: 1
    shape {
      dim {
        dim_param: "N"
      }
      dim {
        dim_param: "3"
      }
    }
  }
}
]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

onnx经常用于导出模型。但对于推理，我们更常用的其实onnx的运行时：onnxruntime。它不仅提供Python的包，还有C#、JS、Java、C++、OC和Ruby等，让我们一起学习一下Python的onnxruntime。

首先，安装onnxruntime包。

pip install onnxruntime

接下来，我们使用InferenceSession开始加载模型。

import onnxruntime as ort
session = ort.InferenceSession("models/sixdrepnet360_Nx3x224x224.onnx", provider=['CoreMLExecutionProvider'])

1
2
3

使用session的方法get_inputs和get_outputs查看模型的输入输出等信息。

> len(session.get_inputs())
1
> session.get_inputs()[0].name
'input'
> session.get_inputs()[0].type
'tensor(float)'
> session.get_inputs()[0].shape
['N', 3, 224, 224]
> session.get_outputs()[0].name
'yaw_pitch_roll'
> session.get_outputs()[0].shape
['N', '3']
> session.get_outputs()[0].type
'tensor(float)'

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

既然输入输出已定，那么如何运行呢？使用session的run方法执行推理即可。

def run(self, output_names, input_feed, run_options=None):
  pass

1
2
3

• output_names - 输出的名称列表，可不写，他会自动提取
• input_feed - 输入字典，形如{ input_name: input_value }

因此，我们可以使用numpy按照输入要求随机构造一个输入数据。

import numpy as np
input_data = np.random.randn(1, 3, 224, 224).astype(np.float32)
input_name = session.get_inputs()[0].name
outputs = session.run(None, {input_name: input_data})
print(outputs)
# [array([[-17.788296, 171.02617 , 171.44977 ]], dtype=float32)]

1
2
3
4
5
6
7

用一个随机数据输入输出看起来没啥意思，我们使用opencv读取图片来试试，就以小可爱川普为例。

按照6DRepNet中头部姿态估算的要求，输入图像需要先检测人脸，然后将人脸扣出，之后做一些图像预处理即可输入模型进行推理。上图是已经通过SCRFD人脸检测模型抓取的人脸。

使用OpenCV读取图像，并做一些预处理将输入图像调整为CHW（Channel、Height、Width）并处理为输入带有批处理维度[1, 3, 224, 224]。

# 读取图像
image_path = 'images/trump-face.jpg'
image = cv2.imread(image_path)

resized_image = cv2.resize(image, (224, 224))
# 进行标准化
resized_image = resized_image.astype(np.float32) / 255.0
mean = np.array([0.485, 0.456, 0.406])
std = np.array([0.229, 0.224, 0.225])
resized_image = (resized_image - mean) / std

# 调整形状到 (1, 3, 224, 224)
resized_image = np.transpose(resized_image, (2, 0, 1))
resized_image = np.expand_dims(resized_image, axis=0)
resized_image = resized_image.astype(np.float32)

outputs = session.run(None, {input_name: resized_image})
print(outputs)
# [array([[-2.2168682, 12.171669 , -9.7234745]], dtype=float32)]


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

实际使用中，在resize时候可能还需要考虑保持宽高比并在边缘填充padding以保持模型所需输入维度

你可能会说什么pitch、yaw、roll啊，代表什么意思？此时你可能会自己搜索，但如果我们把这个作为工具提供给大模型，它会自动帮你解释各个字段结果的意思。

2. 作为LLM工具使用

想必在AutoGen中使用Python typing定义工具，应该已经比较熟悉了，注解参数和返回值。

def estimate_head_pose(image_path: Annotated[str, "the image path to be estimate head pose"]) -> Annotated[
    HeadPose, "A dictionary representing a head pose with pitch yaw roll."]:
    """Estimate the head pose of a given image"""
    input_name = session.get_inputs()[0].name
    # 读取图像
    image = cv2.imread(image_path)
    resized_image = cv2.resize(image, (224, 224))

    # normalized
    resized_image = resized_image.astype(np.float32) / 255.0
    mean = np.array([0.485, 0.456, 0.406])
    std = np.array([0.229, 0.224, 0.225])
    resized_image = (resized_image - mean) / std

    # 调整形状到 (1, 3, 224, 224)
    resized_image = np.transpose(resized_image, (2, 0, 1))  # 形状变为 (3, 224, 224)
    resized_image = np.expand_dims(resized_image, axis=0)  # 形状变为 (1, 3, 224, 224)
    resized_image = resized_image.astype(np.float32)

    outputs = session.run(None, {input_name: resized_image})
    output = outputs[0][0].tolist()
    return HeadPose(Pitch=output[1], Yaw=output[0], Roll=output[2])


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

其中HeadPose是

class HeadPose(TypedDict):
    Pitch: Annotated[float, "the pitch of head"]
    Yaw: Annotated[float, "the yaw of head"]
    Roll: Annotated[float, "the roll of head"]


1
2
3
4
5
6

然后通过autogen的register_function将函数注册到Agent。

autogen.register_function(estimate_head_pose, caller=assistant, executor=user_proxy,description="Estimate the head pose of a given image")


1
2
3

那么我们之后通过initiate_chat只需要说请告诉我这张图的头部姿态是啥？他会尝试自动提取图片地址，如果缺失地址他也会自动询问要求提供图片。

chat_result = user_proxy.initiate_chat(assistant, message="告诉我这个图像中人的头部姿态是什么？")


1
2
3

注意提示词，一定要告诉它不要尝试捏造任何参数。你可以看到它自动帮你解释这些参数并且同意自然语言描述这个头部姿态

你是一个强大的助手，你被提供了以下函数，你必须确保你收集到了足够的信息，否则应该提示用户提供缺失的参数，不要捏造任何参数，如果任务完成返回TERMINATE

3. 总结

本文通过介绍ONNX和如何使用onnxruntime加载模型和推理，通过加载头部姿态模型6DRepNet、预处理图像和推理演示了使用onnxruntime的全过程。从我为数不多的测试来看，我个人觉得在图像模糊的时候，对于头部的姿态估算准确度不是很好。本文是一个简单的介绍，主要针对非算法工程师如何也能玩转模型，同时也能方便读者在有需要的时候，可以使用LLM的工具调用能力调用丰富的视觉类小模型。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。