Sklearn-onnx 모델을 onnx 변환 방법 (with 성능 비교)

 

Scikit-learn은 대표적인 머신러닝 라이브러리로, 다양한 모델을 빠르게 실험하고 적용할 수 있게 해줍니다.
이 글에서는 Scikit-learn 모델을 ONNX(Open Neural Network Exchange) 형식으로 변환하는 방법과, 변환된 모델의 정확도 비교 방법까지 설명합니다.

---

1. Scikit-learn 모델의 5가지 분류

Scikit-learn에서 제공하는 모델들은 다음과 같이 5가지 주요 유형으로 나눌 수 있습니다.

구분	설명	예시 모델
Classifier	분류 문제 해결	LogisticRegression, RandomForestClassifier
Regressor	연속적인 수치 예측 문제 해결	LinearRegression, GradientBoostingRegressor
Clusterer	비지도 학습 기반 클러스터링	KMeans, DBSCAN
Transformer	데이터 전처리 또는 특성 변환 모델	PCA, StandardScaler
Pipeline	여러 모델을 연결한 파이프라인	Pipeline, GridSearchCV

이번 포스팅에서는 이 중에서 Classifier와 Regressor 모델을 중심으로 다뤄보겠습니다.

---

2. ONNX 변환 전, 꼭 알아야 할 fit() 함수의 역할

Scikit-learn의 모델은 다음과 같이 fit() 메서드를 통해 학습과 초기화가 동시에 이루어집니다.

model = LogisticRegression()
model.fit(X_train, y_train)

 

하지만 단순히 학습만 하는 것이 아닙니다. fit() 함수는 아래와 같은 매우 중요한 역할을 합니다.

🎯 왜 fit()이 꼭 필요한가?

• ONNX는 정적인 연산 그래프를 생성해야 하므로,
  변환 시 모델 내부의 가중치, 입력 형태, 출력 차원 등을 완전히 정의하고 있어야 합니다.
• Scikit-learn 모델은 생성 직후에는 내부 파라미터(coef_, intercept_ 등)가 없는 상태입니다.
• fit()을 통해 이 모든 정보를 설정한 뒤에야 convert_sklearn()을 사용해 ONNX 변환이 가능해집니다.

📦비유

• model → 부품만 있는 기계
• model.fit() → 조립 및 작동 준비 완료
• convert_sklearn() → 완성된 기계를 ONNX 박스로 포장

---

3. Classifier 모델을 ONNX로 변환하고 성능 비교하기 

import os
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.utils import all_estimators
from sklearn.base import ClassifierMixin
from sklearn.metrics import accuracy_score
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
import onnxruntime as ort

# ✅ 설정
MODEL_NAME = "KNeighborsClassifier"
SAVE_DIR = "./onnx_models"
os.makedirs(SAVE_DIR, exist_ok=True)

# ✅ 데이터셋 준비
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
initial_type = [("float_input", FloatTensorType([None, X.shape[1]]))]

# ✅ ONNX 변환 함수
def convert_classifier_to_onnx(model_name: str, save_dir: str = SAVE_DIR):
    classifiers = {
        name: cls for name, cls in all_estimators(type_filter="classifier")
        if issubclass(cls, ClassifierMixin)
    }

    if model_name not in classifiers:
        raise ValueError(f"❌ '{model_name}' 는 유효한 classifier가 아닙니다.")

    model_cls = classifiers[model_name]
    model = model_cls()

    # 학습
    model.fit(X_train, y_train)

    # ONNX 변환
    onnx_model = convert_sklearn(model, initial_types=initial_type)
    save_path = os.path.join(save_dir, f"{model_name}.onnx")
    with open(save_path, "wb") as f:
        f.write(onnx_model.SerializeToString())
    print(f"✅ ONNX 변환 완료: {save_path}")

    return save_path, model


def evaluate_model(model, onnx_path: str):
    # Scikit-learn 평가
    y_pred = model.predict(X_test)
    sklearn_acc = accuracy_score(y_test, y_pred)
    

    # ONNX 평가
    sess = ort.InferenceSession(onnx_path) # onnx 모델 로드
    input_name = sess.get_inputs()[0].name # 입력 텐서의 이름 가져옴
    pred_onnx = sess.run(None, {input_name: X_test.astype(np.float32)})[0] # onnx 모델 예측 결과

    # 후처리
    if pred_onnx.ndim == 2 and pred_onnx.shape[1] > 1:
        print("✅ multi-class")
        pred_labels = np.argmax(pred_onnx, axis=1) # 다중 클래스 분류
    else:
        print("✅ Binary")
        pred_labels = np.rint(pred_onnx).astype(int).reshape(-1)  # 이진 분류 대응

    print("✅ Ground Truth (y_test) :", y_test)
    print("✅ Scikit-learn 예측 결과 :", y_pred)
    print("✅ ONNX 모델 예측 결과    :", pred_labels)

    # onnx 정확도
    onnx_acc = accuracy_score(y_test, pred_labels)
    
    print(f"✅ scikit-learn 정확도: {sklearn_acc:.4f}")
    print(f"✅ ONNXRuntime 정확도: {onnx_acc:.4f}")

# ✅ 실행
if __name__ == "__main__":
    onnx_path, model = convert_classifier_to_onnx(MODEL_NAME)
    evaluate_model(model, onnx_path)

 

실행 결과 

✅ ONNX 변환 완료: ./onnx_models/KNeighborsClassifier.onnx
✅ Binary
✅ Ground Truth (y_test) : [1 0 2 1 1 0 1 2 1 1 2 0 0 0 0 1 2 1 1 2 0 2 0 2 2 2 2 2 0 0]
✅ Scikit-learn 예측 결과 : [1 0 2 1 1 0 1 2 1 1 2 0 0 0 0 1 2 1 1 2 0 2 0 2 2 2 2 2 0 0]
✅ ONNX 모델 예측 결과    : [1 0 2 1 1 0 1 2 1 1 2 0 0 0 0 1 2 1 1 2 0 2 0 2 2 2 2 2 0 0]
✅ scikit-learn 정확도: 1.0000
✅ ONNXRuntime 정확도: 1.0000

 

ONNX로 변환된 모델도 scikit-learn과 동일한 예측 정확도를 보여주며,
CPU 환경에서도 경량화된 추론 실행이 가능합니다.

 

참고 : Regressor onnx 변환 코드

Regressor onnx 변환 코드

import os
import numpy as np
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.utils import all_estimators
from sklearn.base import RegressorMixin
from sklearn.metrics import mean_squared_error, r2_score
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
import onnxruntime as ort

# ✅ 설정
MODEL_NAME = "Ridge"
SAVE_DIR = "./onnx_models"
os.makedirs(SAVE_DIR, exist_ok=True)

# ✅ 데이터셋 준비 (회귀 데이터셋 사용)
X, y = load_diabetes(return_X_y=True) # 당뇨병
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
initial_type = [("float_input", FloatTensorType([None, X.shape[1]]))]

# ✅ ONNX 변환 함수
def convert_regressor_to_onnx(model_name: str, save_dir: str = SAVE_DIR):
    regressors = {
        name: cls for name, cls in all_estimators(type_filter="regressor")
        if issubclass(cls, RegressorMixin)
    }

    if model_name not in regressors:
        raise ValueError(f"❌ '{model_name}' 는 유효한 regressor가 아닙니다.")

    model_cls = regressors[model_name]
    model = model_cls()

    model.fit(X_train, y_train)

    # ONNX 변환
    onnx_model = convert_sklearn(model, initial_types=initial_type)
    save_path = os.path.join(save_dir, f"{model_name}.onnx")
    with open(save_path, "wb") as f:
        f.write(onnx_model.SerializeToString())
    print(f"✅ ONNX 변환 완료: {save_path}")

    return save_path, model

# ✅ 정확도 비교
def evaluate_model(model, onnx_path: str):
    # Scikit-learn 평가
    y_pred = model.predict(X_test)
    mse_skl = mean_squared_error(y_test, y_pred)
    r2_skl = r2_score(y_test, y_pred)

    # ONNX 평가
    sess = ort.InferenceSession(onnx_path)
    input_name = sess.get_inputs()[0].name
    pred_onnx = sess.run(None, {input_name: X_test.astype(np.float32)})[0].reshape(-1)

    mse_onnx = mean_squared_error(y_test, pred_onnx)
    r2_onnx = r2_score(y_test, pred_onnx)

    # 테스트 샘플에 대한 예측
    print("✅ Ground Truth (y_test):", y_test[:5])
    print("✅ Sklearn 예측:", y_pred[:5])
    print("✅ ONNX 예측:", pred_onnx[:5])
    print(f"✅ Sklearn MSE: {mse_skl:.4f}, R2: {r2_skl:.4f}")
    print(f"✅ ONNX MSE: {mse_onnx:.4f}, R2: {r2_onnx:.4f}")

# ✅ 실행
if __name__ == "__main__":
    onnx_path, model = convert_regressor_to_onnx(MODEL_NAME)
    evaluate_model(model, onnx_path)

---

정리

항목	설명
✅ 변환 대상	Classifier / Regressor 위주
✅ 변환 이유	경량화, 다양한 추론 환경 지원 (CPU, IoT 등)
✅ fit() 필요	모델 구조와 파라미터 초기화를 위해 반드시 필요
✅ 성능 비교	변환 전후 모델의 예측 성능(정확도, MSE 등) 비교 가능