Netron: Visualizer Open Source untuk Model Machine Learning

Model machine learning jarang berbentuk kode yang bisa dibaca baris per baris. Setelah proses training selesai, ia berubah menjadi berkas biner berisi bobot, layer, dan koneksi yang tidak terlihat mata. Di titik itulah Netron berguna: sebuah viewer open source untuk membuka, menelusuri, dan memahami struktur model neural network, deep learning, serta machine learning secara visual. Proyek ini relevan bagi data scientist, ML engineer, peneliti, maupun developer yang menerima model jadi dari tim lain dan ingin tahu isinya sebelum dipakai di produksi.

Apa yang Dilakukan Netron dan Mengapa Menarik

Netron membaca berkas model lalu menampilkannya sebagai grafik komputasi: setiap layer, operasi, dan koneksi antar-node bisa dilihat, diklik, dan diperiksa satu per satu. Alih-alih menebak-nebak isi sebuah .onnx atau .tflite, kamu bisa melihat alur data dari input sampai output, memahami di mana sebuah operasi ditempatkan, dan memastikan model yang diterima memang model yang dimaksud. Untuk pekerjaan debugging, audit model, atau sekadar belajar arsitektur jaringan, cara kerja seperti ini jauh lebih efisien daripada membaca dump teks.

Yang membuat Netron banyak dipakai adalah cakupan formatnya. Proyek ini mendukung sebagian besar format model populer, tersedia sebagai aplikasi desktop lintas platform, dan bisa dijalankan langsung di browser tanpa instalasi apa pun. Kodenya berlisensi MIT dan ditulis dalam JavaScript, sehingga terbuka untuk dipelajari maupun dimodifikasi sesuai kebutuhan tim.

Beberapa kemampuan utama yang tercantum di README:

• Mendukung format ONNX, TensorFlow Lite, PyTorch, torch.export, ExecuTorch, TorchScript, TensorFlow, Core ML, OpenVINO, Keras, Caffe, Darknet, Safetensors, dan NumPy.
• Dukungan eksperimental untuk MLIR, JAX, GGUF, RKNN, ncnn, MNN, PaddlePaddle, dan scikit-learn.
• Tersedia versi browser di netron.app yang bisa langsung dipakai tanpa memasang aplikasi.
• Tersedia aplikasi desktop untuk macOS (.dmg), Linux (.deb atau .rpm), dan Windows (.exe).
• Tersedia paket Python sehingga Netron dapat dijalankan dari terminal atau dipanggil lewat API.
• Menyediakan daftar model contoh yang siap diunduh atau dibuka, misalnya squeezenet (ONNX), yamnet (TensorFlow Lite), chessbot (TensorFlow), mobilenet (Keras), dan yolo (Darknet).

Cara Install Netron

README tidak menyebutkan prasyarat khusus selain sistem operasi yang sesuai atau Python bila memilih jalur paket. Ada beberapa metode instalasi; berikut tiga yang paling umum.

1. Lewat browser, tanpa instalasi. Buka netron.app di browser dan langsung gunakan versi web.

2. macOS dengan Homebrew. Jalankan perintah berikut di terminal, atau unduh berkas .dmg dari halaman rilis.

brew install --cask netron

1. Windows dengan winget. Jalankan perintah berikut di PowerShell, atau unduh installer .exe dari halaman rilis.

winget install -s winget netron

1. Linux. Unduh berkas .deb atau .rpm dari halaman rilis lalu pasang sesuai paket manager distribusi kamu.

2. Python. Jika lebih nyaman bekerja di lingkungan Python, pasang paketnya lewat pip.

pip install netron

Contoh Penggunaan Cepat

Setelah paket Python terpasang, Netron bisa dijalankan langsung dari terminal dengan menyebutkan berkas model yang ingin dibuka:

netron [FILE]

Alternatif lain, Netron dapat dipanggil dari dalam skrip Python melalui API-nya:

netron.start('[FILE]')

Ganti [FILE] dengan path menuju berkas model kamu. Untuk mencoba tanpa berkas pribadi, README menyediakan beberapa model contoh yang bisa diunduh, seperti squeezenet untuk ONNX atau yamnet untuk TensorFlow Lite, dan masing-masing juga punya tautan untuk langsung dibuka di versi browser. Kebiasaan kecil yang berguna: buka model di Netron sebelum melakukan konversi format, lalu bandingkan hasilnya setelah konversi untuk memastikan struktur tetap sesuai harapan.

Repositori dan rilis terbaru: lutzroeder/netron on GitHub, versi web di netron.app.