跳转至

1. 前言

大家好,最近在VS2015上尝试用TensorRT来部署检测模型,中间走了两天弯路,感觉对于一个完全新手来说要做成功这件事并不会那么顺利。所以这里写一篇部署文章,希望能让使用TensorRT来部署YOLOV3-Tiny检测模型的同学少走一点弯路。

2. 确定走哪条路?

这里我是将AlexeyAB版本DarkNet训练出来的YOLOV3-Tiny检测模型(包含*.weights*.cfg)利用TensorRT部署在NVIDIA的1060显卡上。我选择的模型转换道路是DarkNet->ONNX->TRT。我们知道TensorRT既可以直接加载ONNX也可以加载ONNX转换得到的TRT引擎文件,而ONNX模型转TRT引擎文件是非常简单的,这个可以直接在代码里面完成,所以我们首先需要关注的是DarkNet模型转换到ONNX模型。

3. DarkNet2ONNX

现在已经明确,首要任务是模型转换为ONNX模型。这个我们借助Github上的一个工程就可以完成了,工程地址为:https://github.com/zombie0117/yolov3-tiny-onnx-TensorRT。具体操作步骤如下: - 克隆工程。 - 使用Python2.7。 - 执行pip install onnx=1.4.1 - 将YOLOV3-Tiny的cfg文件末尾手动添加一个空行。 - 修改yolov3_to_onnx.pycfgweights文件的路径以及ONNX模型要保存的路径。 - 执行yolov3_to_onnx.py脚本,获得yolov3-tiny.onnx模型。

我们来看一下yolov3-tiny.onnx模型的可视化结果(使用Neutron),这里只看关键部分:

yolov3-tiny.onnx可视化

yolov3-tiny.onnx可视化

可以看到ONNX模型里面最后一层YOLO层是不存在了(ONNX不支持YOLO层,所以就忽略了),最后的两个输出层是做特征映射的1\times 1卷积层,这就意味着后面的BBox和后处理NMS都是需要我们在代码中手动完成的。

4. ONNX2TRT

在获得了YOLOV3-Tiny的ONNX模型后,我们可以就可以将ONNX转为TensorRT的引擎文件了,这一转换的代码如下:

// ONNX模型转为TensorRT引擎
bool onnxToTRTModel(const std::string& modelFile, // onnx文件的名字
    const std::string& filename,  // TensorRT引擎的名字 
    IHostMemory*& trtModelStream) // output buffer for the TensorRT model
{
    // 创建builder
    IBuilder* builder = createInferBuilder(gLogger.getTRTLogger());
    assert(builder != nullptr);
    nvinfer1::INetworkDefinition* network = builder->createNetwork();

    // 解析ONNX模型
    auto parser = nvonnxparser::createParser(*network, gLogger.getTRTLogger());


    //可选的 - 取消下面的注释可以查看网络中每层的星系信息
    //config->setPrintLayerInfo(true);
    //parser->reportParsingInfo();

    //判断是否成功解析ONNX模型
    if (!parser->parseFromFile(modelFile.c_str(), static_cast<int>(gLogger.getReportableSeverity())))
    {
        gLogError << "Failure while parsing ONNX file" << std::endl;
        return false;
    }

    // 建立推理引擎
    builder->setMaxBatchSize(BATCH_SIZE);
    builder->setMaxWorkspaceSize(1 << 30);
    builder->setFp16Mode(true);
    builder->setInt8Mode(gArgs.runInInt8);

    if (gArgs.runInInt8)
    {
        samplesCommon::setAllTensorScales(network, 127.0f, 127.0f);
    }

    cout << "start building engine" << endl;
    ICudaEngine* engine = builder->buildCudaEngine(*network);
    cout << "build engine done" << endl;
    assert(engine);

    // 销毁模型解释器
    parser->destroy();

    // 序列化引擎
    trtModelStream = engine->serialize();

    // 保存引擎
    nvinfer1::IHostMemory* data = engine->serialize();
    std::ofstream file;
    file.open(filename, std::ios::binary | std::ios::out);
    cout << "writing engine file..." << endl;
    file.write((const char*)data->data(), data->size());
    cout << "save engine file done" << endl;
    file.close();

    // 销毁所有相关的东西
    engine->destroy();
    network->destroy();
    builder->destroy();

    return true;
}

执行了这个函数之后就会在指定的目录下生成yolov3-tiny.trt,从下图可以看到这个引擎文件有48.6M,而原始的weights文件是34.3M。

yolov3-tiny.trt

5. 前向推理&后处理

这部分就没有什么细致讲解的必要了,直接给出源码吧。由于篇幅原因,我把源码上传到Github了。地址为:https://github.com/BBuf/cv_tools/blob/master/trt_yolov3_tiny.cpp注意我是用的TensorRT版本为6.0。修改ONNX模型的路径和图片路径就可以正确得到推理结果了。

6. 后记

这篇文章就是为大家分享了一个DarkNet2ONNX的工具,以及提供了在VS2015中利用TensorRT完成ONNX到TRT引擎文件的转换并进行预测的C++代码,希望可以帮助到刚使用TensorRT的同学,仅此而已。


欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享,坚持原创,每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题,或者想要加入交流群,欢迎添加BBuf微信:

二维码