Netron: neuronale Modelle visuell untersuchen, von ONNX bis GGUF
Visualisierer für Modelle für neuronale Netze, Deep Learning und maschinelles Lernen
Auf einen Blick
- Was ist das?
- lutzroeder/netron ist ein in JavaScript geschriebener Viewer für neuronale Netze, Deep-Learning- und Machine-Learning-Modelle. Das MIT-lizenzierte Projekt läuft im Browser, als Desktop-Paket für drei Betriebssysteme und als Python-Bibliothek.
- Für wen ist es gedacht?
- Netron passt für alle, die regelmäßig fremde oder trainierte Modelle auf Struktur prüfen müssen, etwa bei Reproduktionsarbeit mit ONNX- oder PyTorch-Exporten. Wer selten Modelle anfasst, findet den Browser-Einstieg unter netron.app am schnellsten, wer Modelle programmatisch öffnen will, nutzt pip install netron mit netron [FILE].
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Das Repository hat innerhalb des letzten Tages neue Commits erhalten.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich JavaScript, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Netron: ein Viewer für neuronale Netze und mehr
Netron beschreibt sich selbst als Viewer für neuronale Netze, Deep-Learning- und Machine-Learning-Modelle. Das JavaScript-Projekt liegt im Repository lutzroeder/netron, ist MIT-lizenziert und wird über den Hauptzweig main gepflegt; zuletzt erschienen die Releases v9.2.3, v9.2.2 und v9.2.1 im August 2026.
Der Viewer ist nicht auf eine einzelne Toolchain ausgerichtet, sondern versteht eine breite Palette von Formatfamilien. Das README nennt ONNX, TensorFlow Lite, PyTorch mit torch.export, ExecuTorch, TorchScript, TensorFlow, Core ML, OpenVINO, Keras, Caffe, Darknet, Safetensors und NumPy als unterstützte Formate. Wer ein Modell in einem dieser Formate vorliegen hat, bekommt eine visuelle Darstellung der Schichten und Verbindungen, ohne die jeweilige Trainingsumgebung gestartet zu haben.
Vier Installationswege: Browser, macOS, Linux, Windows
Die README dokumentiert vier voneinander unabhängige Wege. Für den schnellen Blick genügt der Browser unter netron.app, für den nichts installiert werden muss. Auf macOS kommt entweder die .dmg-Datei aus den Releases zum Einsatz oder der Befehl brew install --cask netron.
Auf Linux gibt es .deb- und .rpm-Pakete, auf Windows einen .exe-Installer sowie den Befehl winget install -s winget netron. Damit deckt der Viewer die verbreiteten Desktop-Umgebungen ab, und die Paketwege lassen sich in Skripte für die automatische Provisionierung einbauen. Welche Auflösungen und Zoomstufen der Viewer unterstützt oder wie groß sehr tiefe Netze dargestellt werden, steht in dieser README nicht.
Python-Nutzung: pip install netron und netron.start
Für Skripte und Notebooks stellt das Paket über PyPI eine Python-Brücke bereit. Der README-Ausschnitt lautet: pip install netron, danach netron [FILE] oder netron.start('[FILE]'). Der erster Weg startet den Viewer als Kommandozeile, die zweite Funktion öffnet ihn aus einem laufenden Python-Prozess heraus.
Das ist praktisch, wenn Modelle direkt nach dem Training oder nach einem Export geprüft werden sollen, ohne die Datei manuell in eine Desktop-App zu ziehen. Wo genau das Python-Paket den Browserprozess startet und ob es sich in Headless-Umgebungen ohne Browser ruhig verhält, verrät das README nicht; beide Fragen sollte ein Team in der eigenen Zielumgebung prüfen.
Voll unterstützte und als experimentell markierte Formate
Die README unterscheidet ausdrücklich zwei Stufen. Als unterstützt gelten ONNX, TensorFlow Lite, PyTorch, torch.export, ExecuTorch, TorchScript, TensorFlow, Core ML, OpenVINO, Keras, Caffe, Darknet, Safetensors und NumPy. Als experimentell führt das README MLIR, JAX, GGUF, RKNN, ncnn, MNN, PaddlePaddle und scikit-learn.
Diese Unterscheidung ist für die Planung wichtig: Wer mit einem Standardformat wie Keras h5 oder Darknet CFG arbeitet, sollte auf reibungslose Unterstützung treffen, wer hingegen auf GGUF oder PaddlePaddle angewiesen ist, betritt laut README experimentelles Terrain. Im Zweifel lohnt ein Blick auf die Issues des Repositories, bevor man einen Workflow auf ein experimentelles Format setzt.
Beispielmodelle als Einstieg in der Browser-Version
Das README listet gezielt Beispielmodelle, die sich direkt öffnen lassen. Für ONNX führt es squeezenet aus dem onnx/models-Bestand an, für TorchScript eine speditionierte Datei aus dem Apollo-Projekt, für TensorFlow Lite yamnet, für TensorFlow chessbot, für Keras mobilenet, für MLIR edge_detection, für Core ML exermote und für Darknet eine yolo.cfg.
Die Links verwenden die Form netron.app?url=<datei>, öffnen die Datei also direkt im Browser und ersetzen einen lokalen Download. Damit ist die Funktionsprüfung in Minuten erledigt: Ein Klick auf einen dieser Links zeigt, ob die Browser-Version mit dem eigenen Modellformat zurechtkommt, bevor man Pakete installiert. Die Beispiele stammen aus unterschiedlichen Quellen und stehen für ganz verschiedene Netzarchitekturen, von der Bildklassifikation bis zur Kantenerkennung.
Einordnung: Umfang, Pflegezustand und Grenzen
Netron ist kein Trainingswerkzeug und keine Evaluationsplattform, sondern ein Inspektions- und Debugging-Helfer für den Blick in gespeicherte Modelle. Gemessen an den Repository-Metadaten ist es ein weit verbreitetes Projekt mit 33311 Sternen und über 3000 Forks; offen sind 18 Issues, und der letzte Push liegt kurz vor dem Release v9.2.3.
Die Grenze der README liegt in der Kürze: Sie erklärt Installation und Formate, geht aber nicht auf Bedienkonzepte, Tastenkürzel oder die Darstellung sehr großer Graphen ein. Für einen robusten Einsatz sollte man zwei Dinge selbst prüfen: ob das eigene Exportformat in der experimentellen oder in der unterstützten Liste steht, und ob die angezeigte Struktur mit den Layer-Zählungen der Trainingsumgebung übereinstimmt. Das MIT-Lizenzmodell erlaubt Einbindung in eigene Werkzeuge samt Namensnennung nach den Lizenzbedingungen.
Fazit: Netron gezielt vor einem Formatwechsel testen
Wer Modelle aus ONNX, PyTorch, TensorFlow oder Keras visuell prüfen will, bekommt mit Netron einen Browser-Zugang ohne Installation und drei Desktop-Wege für die regelmäßige Arbeit. Für experimentelle Formate wie GGUF, ncnn oder MNN ist eine Probe mit eigenem Export der richtige erste Schritt, weil der README-Status diese Formate ausdrücklich nicht garantiert.
Der sinnvollste Einstieg ist ein Beispielmodell über netron.app, gefolgt von einem eigenen Export in einem Standardformat. Zeigt der Viewer dort die erwartete Struktur, ist die Basis für den Alltag gelegt. Die Apache-2.0-Lizenzangabe der Metadaten ist hier nicht einschlägig, denn die Lizenzdatei des Repositories weist MIT aus; wer die Pakete weitervertreibt, sollte diesen Lizenzstatus im Auge behalten.
Redaktionelles Fazit
Netron passt für alle, die regelmäßig fremde oder trainierte Modelle auf Struktur prüfen müssen, etwa bei Reproduktionsarbeit mit ONNX- oder PyTorch-Exporten. Wer selten Modelle anfasst, findet den Browser-Einstieg unter netron.app am schnellsten, wer Modelle programmatisch öffnen will, nutzt pip install netron mit netron [FILE]. Zu verifizieren sind zuerst die experimentellen Formate wie GGUF oder ncnn, denn experimentell heißt laut README nicht garantiert stabil; für die genannten Standardformate ist der Funktionsumfang im README dokumentiert und über die Beispielmodelle direkt testbar.
Community-Notizen