企业官网建设流程全解析

DeepFilterNet ONNX 导出：一条命令搞定跨平台部署

【免费下载链接】DeepFilterNetNoise supression using deep filtering项目地址: https://gitcode.com/GitHub_Trending/de/DeepFilterNet

DeepFilterNet 是一套用深度滤波做语音降噪的工具，而 ONNX（可理解为模型的通用交换格式）正是它打通桌面、移动端、服务端的桥梁。本文带你走通 ONNX 导出、导出后自检和跨平台部署的完整链路，读完你就能把降噪模型部署到任意目标平台。

一、先认清导出产物

导出后你拿到的不是单个大模型，而是一组各司其职的组件 🧩：

• enc.onnx（编码器）：对输入音频做特征提取，输出中间表示；
• erb_dec.onnx（ERB 解码器）：处理 ERB 频带特征，负责粗粒度降噪决策；
• df_dec.onnx（DF 解码器）：生成最终用于重构干净音频的滤波系数；
• config.ini：模型运行配置，推理端靠它初始化参数；
• version.txt：记录模型版本，便于升级管理。

这种模块化拆分是刻意为之：在资源受限的设备上，你可以只加载需要的组件（例如只用编码器 + 轻量解码器），按需分配内存和算力。

二、一条命令完成导出

先装依赖，核心是 PyTorch 加上 onnx 和 onnxsim（后者用于简化模型图）：

pip install -r requirements.txt pip install onnx onnxsim

然后执行导出命令：

python DeepFilterNet/df/scripts/export.py --simplify ./onnx_export

命令里的 export.py 是导出脚本，两个参数说明如下：

• --simplify：导出后自动调用 onnxsim 简化模型图，体积更小、推理更快；
• ./onnx_export：导出目录，不存在会自动创建。

脚本跑完后会自动做两件事：逐组件比对 PyTorch 与 ONNX 输出，确认一致；再把所有产物打包成 tar.gz，方便你直接分发。

三、导出后先自检

脚本内置验证机制：对每个组件分别跑 PyTorch 和 onnxruntime 推理，比对输出并检查均方误差是否在容差范围内，超差会直接报错。发布前建议再手动验证一次，最小推理示例如下：

import onnxruntime as ort, numpy as np sess = ort.InferenceSession("enc.onnx", providers=["CPUExecutionProvider"]) x = np.random.randn(1, 1, 128, 100).astype(np.float32) sess.run(None, {"feat_erb": x})

输入张量形状请对照 config.ini 里的实际维度调整。能正常返回输出，说明模型图完整可用。

四、部署选型

三条路线各有适用场景，按你的目标环境选即可：

五、卡住了怎么排查

• 导出失败：先确认 PyTorch 版本不低于 1.8，再升级 onnx 和 onnxsim：pip install --upgrade onnx onnxsim；
• 推理偏慢：提高 ONNX opset 版本（--opset参数）、尝试模型量化、为目标平台选对 ONNX Runtime 执行提供者；
• 模型版本怎么选：models/ 下已有预训练 ONNX 包，DeepFilterNet2_onnx.tar.gz是标准版，DeepFilterNet2_onnx_ll.tar.gz是低延迟（ll）版，DeepFilterNet3_onnx.tar.gz则是新版架构，按延迟需求和精度要求挑选即可。

结尾

到这里，DeepFilterNet 的 ONNX 导出、自检与三平台部署路径都走通了：产物是五个模块化的组件文件，流程是一条命令加自动校验。掌握这套方法后，你可以把它扩展到实时音频流处理的方向，让降噪效果覆盖直播与通话场景。

【免费下载链接】DeepFilterNetNoise supression using deep filtering项目地址: https://gitcode.com/GitHub_Trending/de/DeepFilterNet