Bir model PyTorch ile eğitilip Python ortamında çalıştığında iyi görünür; ancak aynı modelin bir C++ servisinde, mobil cihazda ya da GPU'suz bir sunucuda çalışması gerektiğinde çerçeve bağımlılığı ciddi bir engele dönüşür. ONNX bu bağımlılığı kıran ortak bir model temsili sunar: model bir kez standart biçime dönüştürülür ve farklı çalıştırma ortamlarında aynı hesaplama grafiğiyle koşar. Dönüştürme işlemi ise otomatik bir düğmeye basmak değildir; operatör desteği, dinamik eksenler ve sayısal denklik dikkatle doğrulanmalıdır. Program altı modül boyunca dönüştürmeden hızlandırmaya uzanan hattı kurar. Katılımcılar farklı çerçevelerden ONNX'e dönüştürme yapar, grafik yapısını inceler, çıktı denkliğini sayısal olarak doğrular ve ONNX Runtime üzerinde grafik optimizasyonu ile kuantizasyon uygular. Laboratuvarlarda dönüştürme hataları bilinçli olarak üretilip giderilir, hız ve doğruluk karşılaştırmaları ölçülür. Katılımcı programdan optimize edilmiş ONNX modelleri ve dönüştürme doğrulama kontrol listesiyle ayrılır.