{"id":206541,"date":"2026-01-28T16:17:16","date_gmt":"2026-01-28T15:17:16","guid":{"rendered":"https:\/\/liora.io\/de\/?p=206541"},"modified":"2026-08-07T16:41:44","modified_gmt":"2026-08-07T14:41:44","slug":"onnx-was-ist-das","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/onnx-was-ist-das","title":{"rendered":"ONNX: Der offene Standard f\u00fcr portable KI-Modelle"},"content":{"rendered":"\n

Mit wachsender Komplexit\u00e4t der KI-Projekte gewinnt die F\u00e4higkeit an Bedeutung, Modelle flexibel zu \u00fcbertragen und in verschiedenen Umgebungen auszuf\u00fchren.
Das heutige \u00d6kosystem umfasst zahlreiche Entwicklungsframeworks , jedes mit eigenen Besonderheiten und propriet\u00e4ren Formaten. ONNX (Open Neural Network Exchange) schafft hier Abhilfe: Als quelloffener Standard erleichtert es die Interoperabilit\u00e4t und verbindet die unterschiedlichen Systeme reibungslos.<\/strong><\/p>\n\n\n\n

Was ist ONNX?<\/h2>\n\n\n\n

ONNX ist ein offenes Austauschformat, das speziell daf\u00fcr entwickelt wurde,\u00a0Machine-Learning- und Deep-Learning-Modelle<\/a>\u00a0frameworkunabh\u00e4ngig zu speichern und weiterzugeben. So kannst Du ein trainiertes Modell beispielsweise in\u00a0PyTorch<\/a>\u00a0 oder\u00a0TensorFlow<\/a>\u00a0entwickeln, es anschlie\u00dfend im ONNX-Format exportieren und dann mit einem anderen Tool (etwa ONNX Runtime, TensorRT oder OpenVINO) f\u00fcr die Inferenz verwenden.<\/p>\n\n\n\n

ONNX entdecken<\/a><\/div><\/div>\n\n\n\n

Facebook und Microsoft entwickelten ONNX im Jahr 2017. Heute unterst\u00fctzen viele Unternehmen (darunter IBM, Intel, AMD, Qualcomm) sowie die Forschungsgemeinschaft dieses Open-Source-Projekt. Es erleichtert die Wiederverwendung von Modellen, beschleunigt den Schritt in die Produktion und erh\u00f6ht die Flexibilit\u00e4t von KI-Systemen.<\/p>\n\n\n\n

Durch diese breite Unterst\u00fctzung und die Offenheit des Standards erm\u00f6glicht ONNX eine bessere Wiederverwendbarkeit von Modellen, verk\u00fcrzt die Zeit bis zur Produktionsreife und steigert insgesamt die Portabilit\u00e4t und Flexibilit\u00e4t<\/strong> von KI-Systemen.<\/p>\n\n\n\n

\"Illustration<\/figure>\n\n\n\n\n\n

Architektur und technische Komponenten<\/h2>\n\n\n\n

Die Architektur von ONNX basiert auf drei zentralen technischen S\u00e4ulen, die zusammen eine reibungslose Portabilit\u00e4t von KI-Modellen erm\u00f6glichen.<\/p>\n\n\n\n

1. Erweiterbarer Berechnungsgraph<\/strong>
Es bildet jedes Modell als gerichteten azyklischen Graphen (DAG)<\/strong> ab. Dabei stehen die Knoten f\u00fcr Operationen, die Kanten f\u00fcr Datenfl\u00fcsse. So strukturiert ONNX die mathematischen Transformationen nachvollziehbar.<\/p>\n\n\n\n

2. Standardisierte Operatoren<\/strong>
ONNX definiert einheitliche Operatoren wie Konvolution, Aktivierung oder Normalisierung. Diese sorgen daf\u00fcr, dass Modelle unabh\u00e4ngig vom urspr\u00fcnglichen Framework korrekt funktionieren , ohne erneutes Training.<\/p>\n\n\n\n

3. Normalisierte Datentypen<\/strong>
Au\u00dferdem unterst\u00fctzt ONNX eine Vielzahl standardisierter Datentypen , von einfachen Ganzzahlen und Flie\u00dfkommazahlen bis hin zu mehrdimensionalen Tensors. Das garantiert eine hohe Kompatibilit\u00e4t<\/strong> mit diversen Inferenz-Engines und erleichtert die Integration in unterschiedliche technische Umgebungen.<\/p>\n\n\n\n

ONNX konzentriert sich auf die Inferenzphase, also die Ausf\u00fchrung bereits trainierter Modelle. Dabei erzielt es hohe Leistung, ohne die Trainingsumgebung einzuschr\u00e4nken.<\/p>\n\n\n\n

\"Illustration<\/figure>\n\n\n\n\n\n

Der Workflow im \u00dcberblick<\/h2>\n\n\n\n

Das folgende gedankliche Schema beschreibt die Rolle von ONNX als Bindeglied zwischen Modelltraining und plattform\u00fcbergreifender Ausf\u00fchrung.<\/p>\n\n\n\n

1. Training im Ursprungsframework<\/h3>\n\n\n\n

Im ersten Schritt wird das Modell in einem der g\u00e4ngigen Frameworks f\u00fcr maschinelles oder tiefes Lernen entwickelt und trainiert:<\/p>\n\n\n\n