使用ONNX+TensorRT部署人脸检测和关键点250fps

This article was original written by Jin Tian, welcome re-post, first come with https://jinfagang.github.io . but please keep this copyright info, thanks, any question could be asked via wechat: jintianiloveu

我尽量用尽可能短的语言将本文的核心内容浓缩到文章的标题中，前段时间给大家讲解Jetson Nano的部署，我们讲到用caffe在Nano上部署yolov3，感兴趣的童鞋可以看看之前的文章，然后顺便挖了一个坑：如何部署ONNX模型, 这个问题其实分为两个部分，第一是为什么要用ONNX，第二是如何部署ONNX。本文就是来填这个坑的。

TLTR，本文的核心思想包括：

怎么才能最快速的部署ONNX模型；
当今世界检测人脸和关键点最快的模型是什么？
如何使用ONNX+TensorRT来让你的模型提升7倍加速
我们将向大家介绍我们的新一代人脸检测+比对识别的新一代引擎，有望在GPU上跑到200fps以上，当然也将开源。
如何使用C++在TensorRT上部署ONNX模型。

image

上面是250fps的人脸检测模型，得益于TensorRT的加速。输入尺寸为1280x960.

为什么要用onnx

现在大家都喜欢用pytorch训练模型，而pytorch训练的模型转成pth，用C++推理也很难达到真正的加速效果，因为本质上最耗时的网络前向推理部分并没有太多的加速。并且采用libtorch C++推理pytorch并不是一件简单的事情，除非你的模型可以被trace。

在这种情况之下，引入onnx更合理，从目前整个DL生态来看，onnx具有以下好处：

它的模型格式比基于layer的老一代框架更加细粒度；
它拥有统一化的定义，并且基于任何框架都可以推理他；
它可以实现不同框架之间的互相转化。

前段时间，我们release了一个retinaface的pytorch项目，并且我们想办法将它导出到了onnx模型，当然这期间经过一些修改，没有复杂模型的代码可以在不修改的情况下轻而易举export到onnx，关于这部分代码可以在我们的平台上找到:

http://manaai.cn

我们今天要做的事情，就是在上面的onnx模型的基础上，采用TensorRT来进行推理。先做一个简单的速度对比：

框架	语言	耗时(s)	fps
Pytorch	python	0.012+0.022	29
ONNXRuntime	python	0.008+0.022	34
TensorRT	C++	0.004+0.001	250

可以看到，采用TensorRT对ONNX模型加速，速度提升可以说是天囊之别。并且，采用TensorRT纯C++推理可以在语言层面获得更多的加速。我们实现的TensorRT加速的Retinaface应该是目前来讲面向GPU速度最快的检测方案，并且可以同时生成bbox和landmark，相比于MTCNN，模型更加简单，推理更加快速，准确度更高.

真正落地的算法部署，毫无疑问，假如你的target是GPU，采用ONNX+TensorRT应该是目前最成熟、最优化的方案。假如你的target是一些嵌入式芯片，那么采用MNN也是可以通过onnx轻松实现CPU嵌入式端快速推理的。

既然ONNX和TensorRT这么好，为什么都不用呢？为什么都还在用Python写难看的推理的代码呢？原因也很简单：

入门太难，C++一般人玩不来；
既要懂模型的每一层输入输出，又要懂TensorRT的API，至少要很熟悉。

今天这篇教程便是教大家如何一步一步的实现TensorRT实现最快速的推理。先来看看实际TensorRT加速的效果：

image

看图片看不出啥来，看视频：

image

效果还是非常不错的。

Retinaface模型简单介绍

retinaface是Insightface做的一个动作(DeepInsight), 但是原始的只有MXNet版本，这个网络模型具有小巧精度高特点，并且它是一个带有landmark分支输出的网络，这使得该模型可以输出landmark。

这个网络之所以叫做retina是因为它引入了FPN的结构和思想，使得模型在小尺度的脸上具有更好的鲁棒性。

在这里我们引入一个工具：sudo pip3 install onnxexplorer 可以快速的查看我们的onnx模型的结构，我们需要用到的onnx模型可以从这个地方下载：http://manaai.cn/aicodes_detail3.html?id=46

我们做了一些修改使得pytorch的模型可以导出到onnx，并且我们做了一些特殊的处理，使得onnx模型可以通过 onnx2trt转到TensorRT的engine。

TensorRT C++推理

接下来应该是本文的核心内容了，上面提到的 onnx2trt 可以通过编译 https://gitub.com/onnx/onnx-tensorrt 仓库，来得到 onnx2trt ，通过这个执行程序，可以将onnx转到trt的engine。

在这里，假如你是新手，有一点需要注意：

并不是所有的onnx都能够成功转到trt engine，除非你onnx模型里面所有的op都被支持；
你需要在电脑中安装TensorRT 6.0，因为只有TensorRT6.0支持动态的输入。

闲话不多说，假如我们拿到了trt的engine，我们如何进行推理呢？总的来说，分为3步：

首先load你的engine，拿到一个 ICudaEngine, 这个是TensorRT推理的核心；
你需要定位你的模型的输入和输出，有几个输入有几个输出；
forward模型，然后拿到输出，对输出进行后处理。

当然这里最核心的东西其实就两个，一个是如何导入拿到CudaEngine，第二个是比较麻烦的后处理。

 IBuilder* builder = createInferBuilder(gLogger);assert(builder != nullptr);nvinfer1::INetworkDefinition* network = builder->createNetwork();auto parser = nvonnxparser::createParser(*network, gLogger);if ( !parser->parseFromFile(modelFile.c_str(), static_cast<int>(gLogger.reportableSeverity) ) ){cerr << "Failure while parsing ONNX file" << std::endl;}IHostMemory *trtModelStream{nullptr};// Build the enginebuilder->setMaxBatchSize(maxBatchSize);builder->setMaxWorkspaceSize(1 << 30);if (mTrtRunMode == RUN_MODE::INT8) {std::cout << "setInt8Mode" << std::endl;if (!builder->platformHasFastInt8())std::cout << "Notice: the platform do not has fast for int8" << std::endl;
//    builder->setInt8Mode(true);
//    builder->setInt8Calibrator(calibrator);cerr << "int8 mode not supported for now.\n";} else if (mTrtRunMode == RUN_MODE::FLOAT16) {std::cout << "setFp16Mode" << std::endl;if (!builder->platformHasFastFp16())std::cout << "Notice: the platform do not has fast for fp16" << std::endl;builder->setFp16Mode(true);}ICudaEngine* engine = builder->buildCudaEngine(*network);assert(engine);// we can destroy the parserparser->destroy();// serialize the engine, then close everything downtrtModelStream = engine->serialize();trtModelStream->destroy();InitEngine();

这个是我们维护的 onnx_trt_engine的一部分，这段代码的作用是直接将你之前生成的trt engine，导入到你的ICudaEngine之中。大家如果需要完整的code，可以在我们的MANA平台上转到并下载：

http://manaai.cn

大家可以看到，假如你想对模型进行进一步的加速，实际上也是在这上面进行。当你拿到你的 iCudaEngine之后，剩下的事情就是根据你的model的output name拿到对应的输出。整个过程其实还是可以一气呵成的，唯一可能复杂一点的是你需要动态allocate对应大小size的data。

 auto out1 = new float[bufferSize[1] / sizeof(float)];auto out2 = new float[bufferSize[2] / sizeof(float)];auto out3 = new float[bufferSize[3] / sizeof(float)];cudaStream_t stream;CHECK(cudaStreamCreate(&stream));CHECK(cudaMemcpyAsync(buffers[0], input, bufferSize[0], cudaMemcpyHostToDevice, stream));
//  context.enqueue(batchSize, buffers, stream,nullptr);context.enqueue(1, buffers, stream, nullptr);CHECK(cudaMemcpyAsync(out1, buffers[1], bufferSize[1], cudaMemcpyDeviceToHost, stream));CHECK(cudaMemcpyAsync(out2, buffers[2], bufferSize[2], cudaMemcpyDeviceToHost, stream));CHECK(cudaMemcpyAsync(out3, buffers[3], bufferSize[3], cudaMemcpyDeviceToHost, stream));cudaStreamSynchronize(stream);// release the stream and the bufferscudaStreamDestroy(stream);CHECK(cudaFree(buffers[0]));CHECK(cudaFree(buffers[1]));CHECK(cudaFree(buffers[2]));CHECK(cudaFree(buffers[3]));

这是如何从TensorRT推理的结果转到我们的CPU上来，并且通过Async来同步数据，最终你拿到的数据将在你事先定义好的buffer里面，再进行后处理即可。

由于C++代码过于庞大和复杂，这些代码将会开源到我们的MANA AI平台。当然我们花费了很多力气来编写教程，并且提供源码，如果你对AI感兴趣，而缺乏一个好的学习群体和导师，不妨加入我们的会员计划，我们是一个致力于打造工业级前沿黑科技的AI学习者群体。

我们pytorch的训练代码可以在这里找到：

http://manaai.cn/aicodes_detail3.html?id=46

TensorRT部署完整的代码可以在这里找到：

http://manaai.cn/aicodes_detail3.html?id=48

ONNX+TensorRT相关推荐

【mmdeploy】mmseg转ONNX/TensorRT，附推理代码
目录 1.关于mmdeploy 2.环境安装 2.1预编译安装(Linux-x86_64, CUDA 11.x, TensorRT 8.2.3.0): 2.2预编译安装(Linux-x86_64, C ...
Pytorch → ONNX → TensorRT
Pytorch → ONNX → TensorRT 由于实验室与应急减灾中心关于道路检测的项目需加快推理速度,在尝试手动融合模型的Con层和bn层发现推理速度提升不明显之后,我的"mento ...
pytorch C++部署模型 ONNX tensorRT
(1) C++部署pytorch模型(上) (2) TensorRT5介绍及Pytorch转TensorRT5代码示例 TensorRT的使用步骤:(假设以及有一个训练好的模型) (1) 根据模型创建 ...
部署教程 | ResNet原理+PyTorch复现+ONNX+TensorRT int8量化部署
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 1简介这是[集智书童]第一次录制视频的PPT课件,这里公开给大家 ...
用于ONNX的TensorRT后端
用于ONNX的TensorRT后端解析ONNX模型以使用TensorRT执行. 另请参阅TensorRT文档. 有关最近更改的列表,请参见changelog. 支持的TensorRT版本 Maste ...
onnx 测试_用于ONNX的TensorRT后端
用于ONNX的TensorRT后端解析ONNX模型以使用TensorRT执行. 另请参阅TensorRT文档. 有关最近更改的列表,请参见changelog. 支持的TensorRT版本 Maste ...
onnx 测试_pytorch onnx onnxruntime tensorrt踩坑各种问题
做了一个小测试,发现pytorch onnx tensorrt三个库的版本存在微妙的联系,在我之前的错误实验中,PyTorch==1.3.0/1.4.0:Onnx==1.6.0:tensorrt=7. ...
一文玩转tensorrt onnx+tensorrtx
文章目录前言一.浅谈tensorrt 二.tensorrtx的使用学习轨迹 1.tensorrtx-初出茅庐 2.崭露头角-tensorrtx 3.身手不凡-ONNX 4.风云叱咤-ONNX 5. ...
TensorRT ONNX 基础
TensorRT ONNX 基础 tensorRT从零起步迈向高性能工业级部署(就业导向) 课程笔记,讲师讲的不错,可以去看原视频支持下. 概述 TensorRT 的核心在于对模型算子的优化(合并算子 ...

ONNX+TensorRT

使用ONNX+TensorRT部署人脸检测和关键点250fps

为什么要用onnx

Retinaface模型简单介绍

TensorRT C++推理

ONNX+TensorRT相关推荐

最新文章

热门文章