將模型嵌入到圖中
| 欄位 | 值 |
|---|---|
| 類別 | 圖形與管線 |
| 難度 | 進階 |
| 預估閱讀時間 | 20-25 minutes |
| 標籤 | graph, hybrid, model, mpk |
第三章建立了一個由基本輸入/輸出節點組成的圖；第一章將一個模型作為獨立物件執行。本章將這兩者結合起來：一個 Model 本身就是一個與圖相容的節點，因此您可以像其他任何階段一樣，將其組合成一個公開的 Graph。這就是生產系統在需要圖層級控制時（多個輸入、具名輸出、自訂路由）所採用的橋接模式，同時仍然將模型執行視為一個可重複使用的片段。
關鍵思想是，您永遠不會觸及低階執行階段圖、StageModelExecutorOptions 或內部節點 ID。您將模型傳遞給 graph.add(...)，NEAT 會在建立時將該片段（根據需要進行預處理/推理/後處理）降低到正確的內部執行計畫中。最後，您將會將一個模型組合成一個公開的圖，列印組成的拓撲，並讀取模型的輸出基數。
操作指南
載入模型
建構會載入編譯的檔案，並為執行做好準備，就像在第一章中一樣。 在這裡，我們只獲取路徑（沒有選項物件），因為本章是關於組合，而不是預處理。結果的 Model 現在是一個圖層可以理解的物件。
simaai::neat::Model model(model_path);
將模型組合成圖
這是本章的重點。一個新的 Graph 會按 順序新增三個節點：一個具名的輸入邊界、模型本身以及一個具名的輸出邊界。由於 Model 與圖相容，因此 add(model) 會將整個模型路徑作為單一片段新增——沒有特殊的 API，也沒有進入執行階段。列印 graph.describe() 會顯示組成的拓撲，以便您可以確認模型是否已插入到具名邊界之間。
**C++：**邊界來自 simaai::neat::nodes::Input("image") 和 nodes::Output("result")；模型直接傳遞給 graph.add(model)。
**Python：**邊界來自 pyneat.nodes.input("image") 和 pyneat.nodes.output("result")；模型直接傳遞給 graph.add(model)。
simaai::neat::Graph graph;
graph.add(simaai::neat::nodes::Input("image"));
graph.add(model);
graph.add(simaai::neat::nodes::Output("result"));
std::cout << graph.describe() << "\n";
檢查模型
最後，我們讀取模型片段實際貢獻的內容。這確認模型已正確載入，並讓您可以看到圖將在下游產生的輸出拓撲。
C++：model.info() 傳回一個資訊結構；我們列印 model_name 以及 output_topology.physical_outputs 和 logical_outputs，以便模型輸出的接線是明確的。
**Python：**本章的程式碼只是會印出一行確認訊息，表示模型片段已新增到公開的圖中。
const auto info = model.info();
std::cout << "model=" << (info.model_name.empty() ? "<unnamed>" : info.model_name)
<< " physical_outputs=" << info.output_topology.physical_outputs
<< " logical_outputs=" << info.output_topology.logical_outputs << "\n";
執行
本章需要一個模型封存檔（yolo_v8s）。從 Neat 安裝目錄（包含 share/ 和 lib/ 的目錄）執行 Python 和 C++（預先建置） 指令；從 原始碼儲存庫目錄 執行 從原始碼建置 指令。
C++ (prebuilt):
./lib/sima-neat/tutorials/tutorial_014_embed_model_inside_graph \
--model /tmp/yolo_v8s.tar.gz
C++ (build from source):
./build.sh --target tutorial_014_embed_model_inside_graph
./build/tutorials-standalone/tutorial_014_embed_model_inside_graph \
--model /tmp/yolo_v8s.tar.gz
預期的輸出結果（C++ 建置也會先印出建置後的圖描述）：
model=yolo_v8s physical_outputs=1 logical_outputs=1
[OK] 014_embed_model_inside_graph
（Python 建置會先印出圖描述，然後印出 model fragment added to public Graph。）
若要將本章的 C++ 原始碼整合到您自己的專案中，並使用自訂的 CMakeLists.txt（不需要額外的資料夾），請參閱登陸頁面上的 如何執行教學。
完整原始碼
顯示完整原始碼程式
// Hybrid graph composition: a Model is added directly to a public Graph.
//
// Usage:
// tutorial_014_embed_model_inside_graph --model /path/to/model.tar.gz
#include "neat.h"
#include <iostream>
#include <string>
namespace {
bool get_arg(int argc, char** argv, const std::string& key, std::string& out) {
for (int i = 1; i + 1 < argc; ++i) {
if (key == argv[i]) {
out = argv[i + 1];
return true;
}
}
return false;
}
} // namespace
int main(int argc, char** argv) {
try {
std::string model_path;
if (!get_arg(argc, argv, "--model", model_path)) {
std::cerr << "Usage: tutorial_014_embed_model_inside_graph --model <path>\n";
return 1;
}
simaai::neat::Model model(model_path);
// CORE LOGIC
// Model is now a Graph-compatible object. `graph.add(model)` appends the
// model route fragment (preprocess/inference/postprocess as needed) without
// exposing the internal low-level runtime graph.
simaai::neat::Graph graph;
graph.add(simaai::neat::nodes::Input("image"));
graph.add(model);
graph.add(simaai::neat::nodes::Output("result"));
std::cout << graph.describe() << "\n";
const auto info = model.info();
std::cout << "model=" << (info.model_name.empty() ? "<unnamed>" : info.model_name)
<< " physical_outputs=" << info.output_topology.physical_outputs
<< " logical_outputs=" << info.output_topology.logical_outputs << "\n";
std::cout << "[OK] 014_embed_model_inside_graph\n";
return 0;
} catch (const std::exception& e) {
std::cerr << "[FAIL] " << e.what() << "\n";
return 1;
}
}