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
入门
Python
C++
C
C#
Java
JavaScript
Web
Node.js 绑定
React Native
Objective-C
Julia 和 Ruby API
Windows
移动端
设备端训练
大型模型训练
教程
API 基础知识
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 进行对象检测和姿态估计
在 Android 上进行移动图像识别
提高移动端的图像分辨率
在 iOS 上进行移动对象检测
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
使用大型模型
性能诊断
部署 ONNX Runtime Web
故障排除
使用 ONNX Runtime 和 Next.js 分类图像
用于 JavaScript 中 BERT 任务的自定义 Excel 函数
部署到物联网和边缘设备
在 Raspberry Pi 上部署物联网应用
部署传统机器学习模型
使用 C# 进行推理
C# 基础教程
使用 C# 对 BERT NLP 模型进行推理
使用 C# 配置 CUDA 以支持 GPU
使用 C# 对 ResNet50v2 进行图像识别
使用 C# 实现 Stable Diffusion
使用 OpenVINO 在 C# 中进行对象检测
使用 Faster RCNN 在 C# 中进行对象检测
设备端训练
构建 Android 应用
构建 iOS 应用
构建 ONNX Runtime
为推理构建
为训练构建
使用不同的 EP 构建
为 Web 构建
为 Android 构建
为 iOS 构建
自定义构建
API 文档
生成 API (预览)
教程
Phi-3.5 视觉教程
Phi-3 教程
Phi-2 教程
使用 LoRA 适配器运行
DeepSeek-R1-Distill 教程
在高通骁龙设备上运行
API 文档
Python API
C# API
C API
Java API
如何操作
安装
从源代码构建
构建模型
为高通骁龙构建模型
故障排除
迁移
参考
配置参考
适配器文件规范
执行提供程序
NVIDIA - CUDA
NVIDIA - TensorRT
Intel - OpenVINO™
Intel - oneDNN
Windows - DirectML
高通 - QNN
Android - NNAPI
Apple - CoreML
XNNPACK
AMD - ROCm
AMD - MIGraphX
AMD - Vitis AI
云 - Azure
社区维护的
Arm - ACL
Arm - Arm NN
Apache - TVM
瑞芯微 - RKNPU
华为 - CANN
添加新的提供程序
EP 上下文设计
扩展
添加算子
构建
性能
调整性能
性能分析工具
日志和跟踪
内存占用
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
Azure PyTorch 容器 (ACPT)
参考
版本发布
兼容性
算子
算子内核
Contrib 算子
自定义算子
精简算子配置文件
架构
引用 ONNX Runtime
ONNX Runtime 中的依赖项管理
GitHub 上的 ONNX Runtime 文档
ONNX Runtime
安装
入门
教程
API 文档
YouTube
GitHub
入门
目录
Python
C++
C
C#
Java
JavaScript
Objective-C
Julia 和 Ruby API
Windows
移动端
设备端训练
大型模型训练