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

Master分支上的开发适用于具有完整维度和动态架构shape支持的TensorRT 7.2.1的最新版本。

对于TensorRT的早期版本，请参考其各自的分支。

完整尺寸+动态架构

在具有动态架构支持的全维度模式下，构建INetwork对象，需要调用以下API：

C ++

const auto explicitBatch = 1U <<
static_cast<uint32_t>(nvinfer1::NetworkDefinitionCreationFlag::kEXPLICIT_BATCH);

builder->createNetworkV2(explicitBatch)

Python

import tensorrt

explicit_batch = 1 << (int)(tensorrt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)

builder.create_network(explicit_batch)

有关这些API用法的示例，请参见：

sampleONNXMNIST
sampleDynamicReshape

支持的算子

当前支持的ONNX算子，可在算子支持列表中找到。

安装

依存关系

Dependencies

Protobuf>= 3.0.x
TensorRT 7.2.1
TensorRT 7.2.1 open source libaries (master branch)

编译

对于在docker中进行构建，建议按照main（TensorRT存储库）[https://github.com/NVIDIA/TensorRT#setting-up-the-build-environment]中的说明使用和设置Docker容器，来构建onnx -tensorrt库。

clone存储库后，可以通过运行以下命令，来构建解析器库和可执行文件：

cd onnx-tensorrt

mkdir build && cd build

cmake … -DTENSORRT_ROOT=<path_to_trt> && make -j

// Ensure that you update your LD_LIBRARY_PATH to pick up the location of the newly built library:

export LD_LIBRARY_PATH=PWD:PWD:PWD:LD_LIBRARY_PATH

可执行用法

可以使用onnx2trt可执行文件，将ONNX模型转换为序列化的TensorRT引擎：

onnx2trt my_model.onnx -o my_engine.trt

ONNX模型也可以转换为人们可读的文本：

onnx2trt my_model.onnx -t my_model.onnx.txt

ONNX模型也可以通过ONNX的优化库（由dsandler添加）进行优化。要优化ONNX模型并输出新的模型，可使用它-m来指定输出模型名称，用-O指定以分号分隔的优化过程列表，进行应用：

onnx2trt my_model.onnx -O “pass_1;pass_2;pass_3” -m my_model_optimized.onnx

通过运行以下命令，查看更多所有可用的优化遍历：

onnx2trt -p

通过运行以下命令，查看更多用法信息：

onnx2trt -h

Python模块

ONNX-TensorRT解析器的Python，绑定打包在随附的.whl文件中。用来安装

python3 -m pip install <tensorrt_install_dir>/python/tensorrt-7.x.x.x-cp<python_ver>-none-linux_x86_64.whl

TensorRT 7.2.1支持ONNX版本1.6.0。通过以下方式安装：

python3 -m pip install onnx==1.6.0

可以通过运行以下命令，来安装ONNX-TensorRT后端：

python3 setup.py install

ONNX-TensorRT Python后端使用

可以在Python中如下使用ONNX的TensorRT后端：

import onnx

import onnx_tensorrt.backend as backend

import numpy as np

model = onnx.load("/path/to/model.onnx")

engine = backend.prepare(model, device=‘CUDA:1’)

input_data = np.random.random(size=(32, 3, 224, 224)).astype(np.float32)

output_data = engine.run(input_data)[0]

print(output_data)

print(output_data.shape)

C ++库用法

模型解析器库libnvonnxparser.so，在头文件中声明了其C ++ API：

NvOnnxParser.h

测试

安装后（或在Docker容器内），可以按以下方式运行ONNX后端测试：

仅实模型测试：

python onnx_backend_test.py OnnxBackendRealModelTest

所有测试：

python onnx_backend_test.py

可以使用-v标志，使输出更加详细。

预训练模型

在ONNX格式预先训练模式可以在找到ONNX
Model Zoo

https://github.com/onnx/onnx-tensorrt

用于ONNX的TensorRT后端相关推荐

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转tensorrt 实战干货总结
目录查看tensorrt版本: input: dynamic input is missing dimensions in profile onnx转tensorrt方法安装tensorrt: o ...
pytorch模型转ONNX转TensorRT，模型转换和推理部署
一.pth模型转ONNX import os import sys import torch import numpy as npfrom feat.model import ResNet # 导入自 ...
pytorch，onnx和tensorrt 的速度对比
onnx Open Neural Network Exchange (ONNX)是微软和Facebook携手开发的开放式神经网络交换工具.为人工智能模型(包括深度学习和传统ML)提供了一种开源格式.它 ...
tensorrt，mmclas中的onnx转tensorrt
NVIDIA TensorRT | NVIDIA Developerhttps://developer.nvidia.cn/zh-cn/tensorrtTensorRT详细入门指北,如果你还不了解Te ...
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. ...
win10安装onnx、tensorrt（python用，超简单安装版)
一. 安装环境版本显卡是3090. 1. python 3.8 2. pytorch 1.9.1(torch-1.9.1+cu111-cp38-cp38-win_amd64),离线安装参考:(10条 ...
【TensorRT】PyTorch模型转换为ONNX及TensorRT模型
文章目录 1. PyTorch模型转TensorRT模型流程 2. PyTorch模型转ONNX模型 3. ONNX模型转TensorRT模型 3.1 TensorRT安装 3.2 将ONNX模型转换 ...
1、pth转onnx模型、onnx转tensorrt模型、python中使用tensorrt进行加速推理（全网最全，不信你打我）
本文向所有亲们介绍在python当中配置tensorrt环境.使用tensorrt环境进行推理的教程,主要分为两大部分,第一部分环境配置,第二部分前向推理. 第一部分环境配置第一步:检查你的系统类 ...

用于ONNX的TensorRT后端

用于ONNX的TensorRT后端相关推荐

最新文章

热门文章