Netron: abrí cualquier modelo ML y mirá qué hay adentro

Esta serie — Awesome Curated: The Tools — cubre las herramientas que pasan el filtro de nuestro sistema de curación automático. Esto es el post #8. Si llegaste de casualidad, te recomiendo empezar desde el principio o explorar la serie entera.

El post anterior fue sobre Sniffnet, un monitor de red con UI decente escrito en Rust. Hoy cambiamos de dominio pero el espíritu es el mismo: una herramienta que resuelve un problema concreto sin pedirte que instales medio internet.

Te cuento una situación que me pasó hace no tanto. Estaba integrando un modelo ONNX que me pasó el equipo de data science — un archivo .onnx de 200MB, sin documentación, sin comentarios, con un nombre que era básicamente un UUID. Mi tarea era consumirlo desde Java usando ONNX Runtime. Bárbaro. Excepto que nadie sabía exactamente cuántas entradas tenía el modelo, qué shapes esperaba, cuáles eran los nombres de los nodos de salida. El tipo que lo entrenó estaba de vacaciones.

¿La opción clásica? Abrir un Jupyter Notebook, instalar onnx, correr un par de celdas para inspeccionar el proto, parsear el output a mano. Veinte minutos de setup para ver información que debería aparecer en dos segundos. Y después el notebook se rompe porque la versión de onnx instalada en el entorno no matchea. El quilombo de siempre.

Ahí fue la primera vez que abrí el modelo con Netron. Doble click. Boom: grafo completo, inputs con sus shapes, outputs con nombres, capas, operadores, todo. En cinco segundos tenía lo que necesitaba para escribir el código.

Qué hace

Netron es un visualizador de modelos de redes neuronales y machine learning. Abrís un archivo de modelo y te muestra el grafo computacional de manera interactiva: nodos, conexiones, shapes de tensores, atributos de cada capa, parámetros. Nada más, nada menos.

Lo que lo hace especialmente útil es el soporte brutal de formatos. Hablo de ONNX, TensorFlow (SavedModel, .pb, .tflite), PyTorch (.pt, .pth), Keras (.h5, .keras), Core ML, Caffe, Darknet, scikit-learn, XGBoost, LightGBM, y un montón más. Si entrenaste un modelo en cualquier framework mainstream de los últimos diez años, Netron probablemente lo abre.

Est escrito en JavaScript (Electron para el desktop app, más una versión web en netron.app). Eso tiene sus implicancias — tanto buenas como malas — pero el resultado práctico es que instalarlo es trivial y corre en Windows, Mac y Linux sin drama. También lo podés usar directamente en el browser sin instalar nada, lo cual es un golazo para laburo rápido.

# Instalación via pip (sí, también tiene wrapper de Python)
pip install netron

# Arrancar con un modelo específico
netron modelo.onnx

# O abrir el viewer vacío y cargar desde la UI
netron

# También lo podés usar programáticamente desde Python
import netron

# Abre el browser automáticamente con el modelo cargado
# Útil para exploración interactiva en scripts o notebooks
netron.start('mi_modelo.onnx', port=8080)

# Para integración en Jupyter: abre en una nueva pestaña
# y podés seguir ejecutando código mientras explorás el grafo

Debajo del capó, Netron parsea los formatos de modelo directamente en JavaScript — no depende de TensorFlow, PyTorch ni ningún framework de ML instalado en tu máquina. Por eso es tan liviano. El código de parseo es todo custom, lo cual es un laburo monumental que el autor, Lutz Roeder, lleva años manteniendo.

Por qué está en la lista

Apareció en 4 awesome lists independientes. Eso no es casualidad — es consenso. La comunidad de ML tiene millones de herramientas de visualización y Netron es la que la gente recomienda cuando alguien pregunta "cómo inspecciono este modelo".

La razón es simple: el flujo más común cuando trabajás con modelos es que alguien más los entrena y vos los consumís, integrás o depurás. En ese momento no querés arrancar un entorno de Python completo. Querés ver qué entra, qué sale y cómo está estructurado el modelo. Netron hace exactamente eso, sin fricción.

Lo que lo diferencia de alternativas como TensorBoard es el scope deliberadamente estrecho. TensorBoard es un ecosistema completo para monitorear entrenamiento: métricas, loss curves, embeddings, profiling. Netron no hace nada de eso — solo visualiza arquitectura. Esa especialización lo hace más confiable para la tarea puntual. Cuando abrís un modelo en Netron, no hay configuración, no hay --logdir, no hay servidor que esperar. Está listo.

También me parece relevante que funcione sin conexión y sin enviar el modelo a ningún servidor. Cuando trabajás con modelos propietarios o bajo NDA, eso importa. La versión web de netron.app procesa todo en el cliente, no sube nada.

En mi caso del modelo ONNX sin documentación: Netron me mostró que tenía dos inputs (image con shape [1, 3, 640, 640] y scale con shape [1]) y tres outputs con sus nombres exactos. Con eso pude escribir el cliente Java correctamente en diez minutos. Sin Netron, probablemente hubiera perdido una hora.

Cuándo NO usarlo

Netron no edita modelos. Si necesitás modificar la arquitectura, hacer pruning, cambiar shapes o fusionar grafos, necesitás otras herramientas: ONNX Script, la API de onnx directamente, o Polygraphy si estás en el ecosistema NVIDIA.

Tampoco es bueno para modelos muy grandes — si tu archivo supera el giga, la performance se va a degradar notablemente. El rendering del grafo se vuelve pesado y la UI pierde fluidez. Para esos casos, tu mejor opción es hacer inspección programática con la librería nativa del formato (onnx.load(), torch.load(), etc.) o trabajar con subgrafos.

Si lo que necesitás es monitorear el proceso de entrenamiento en tiempo real — loss, accuracy, gradientes — ahí es TensorBoard o Weights & Biases los que mandan. Netron es una foto, no un video.

Cierre

Netron es el tipo de herramienta que instalás una vez y queda en tu toolbox para siempre. No hace magia, no reemplaza nada grande — simplemente resuelve un problema específico mejor que cualquier alternativa. Y en este momento donde ONNX se está convirtiendo en el formato de intercambio estándar para modelos (algo que toco bastante en el post sobre m2cgen), tener una forma rápida de inspeccionar esos archivos es cada vez más necesario.

Si seguís la serie, en los próximos posts vamos a seguir explorando herramientas que pasaron el filtro — algunas de ML, algunas de infra, alguna sorpresa. Podés ver todo el arco en Awesome Curated: The Tools. Si alguna herramienta te generó curiosidad o querés discutir casos de uso, ya sabés dónde encontrarme.