跳到主要内容
Link - ONNX 运行时
Menu - ONNX 运行时
Expand - ONNX 运行时
(external link) - ONNX 运行时
Document - ONNX 运行时
Search - ONNX 运行时
Copy - ONNX 运行时
Copied - ONNX 运行时
ONNX Runtime
安装 ONNX Runtime
开始使用
Python
C++
C
C#
Java
JavaScript
Web
Node.js 绑定
React Native
Objective-C
Julia 和 Ruby API
Windows
移动端
设备上训练
大模型训练
教程
API 基础
加速 PyTorch
PyTorch 推理
在多个目标上进行推理
加速 PyTorch 训练
加速 TensorFlow
加速 Hugging Face
部署到 AzureML
部署到移动端
使用 YOLOv8 进行目标检测和姿态估计
Android 上的移动图像识别
提高移动设备上的图像分辨率
iOS 上的移动目标检测
ORT 移动模型导出助手
Web
使用 ONNX Runtime 构建 Web 应用
“env” 标志和会话选项
使用 WebGPU
使用 WebNN
处理大模型
性能诊断
部署 ONNX Runtime Web
故障排除
使用 ONNX Runtime 和 Next.js 进行图像分类
JavaScript 中用于 BERT 任务的自定义 Excel 函数
部署到 IoT 和边缘设备
在 Raspberry Pi 上部署 IoT
部署传统机器学习
使用 C# 进行推理
C# 基础教程
使用 C# 推理 BERT NLP
使用 C# 为 GPU 配置 CUDA
使用 C# 中的 ResNet50v2 进行图像识别
使用 C# 进行 Stable Diffusion
使用 OpenVINO 在 C# 中进行目标检测
使用 Faster RCNN 在 C# 中进行目标检测
设备上训练
构建 Android 应用程序
构建 iOS 应用程序
API 文档
构建 ONNX Runtime
构建以用于推理
构建以用于训练
使用不同的 EP 构建
构建以用于 Web
构建以用于 Android
构建以用于 iOS
自定义构建
生成 API(预览)
教程
Phi-3.5 vision 教程
Phi-3 教程
Phi-2 教程
使用 LoRA 适配器运行
DeepSeek-R1-Distill 教程
在 Snapdragon 设备上运行
API 文档
Python API
C# API
C API
Java API
操作指南
安装
从源代码构建
构建模型
为 Snapdragon 构建模型
故障排除
迁移
参考
配置参考
适配器文件规范
执行提供者
NVIDIA - CUDA
NVIDIA - TensorRT
Intel - OpenVINO™
Intel - oneDNN
Windows - DirectML
Qualcomm - QNN
Android - NNAPI
Apple - CoreML
XNNPACK
AMD - ROCm
AMD - MIGraphX
AMD - Vitis AI
云端 - Azure
社区维护
Arm - ACL
Arm - Arm NN
Apache - TVM
Rockchip - RKNPU
Huawei - CANN
添加新提供者
EP 上下文设计
NVIDIA - TensorRT RTX
扩展
添加操作符
构建
性能
性能调优
分析工具
日志与追踪
内存消耗
线程管理
I/O 绑定
故障排除
模型优化
量化 ONNX 模型
Float16 和混合精度模型
图优化
ORT 模型格式
ORT 模型格式运行时优化
Transformers 优化器
使用 Olive 进行端到端优化
设备张量
生态系统
用于 PyTorch 的 Azure 容器 (ACPT)
参考
发布
兼容性
操作符
操作符内核
Contrib 操作符
自定义操作符
精简操作符配置文件
架构
引用 ONNX Runtime
ONNX Runtime 中的依赖管理
ONNX Runtime 文档在 GitHub
ONNX Runtime
安装
开始使用
教程
API 文档
YouTube
GitHub
从源代码构建 ONNX Runtime
如果您需要访问发布包中尚未包含的功能,请从源代码构建 ONNX Runtime。
对于生产部署,强烈建议仅从
官方发布分支
构建。
目录
构建以用于推理
构建以用于训练
使用不同的 EP 构建
构建以用于 Web
构建以用于 Android
构建以用于 iOS
自定义构建