Skip to content

Latest commit

 

History

History
234 lines (173 loc) · 13.1 KB

mmdet.md

File metadata and controls

234 lines (173 loc) · 13.1 KB
Raw

MMDetection 模型部署

MMDetection ，又称 mmdet， 是一个基于 PyTorch 的目标检测开源工具箱。它是 OpenMMLab 项目的一部分。

安装

安装 mmdet

请参考官网安装指南。

安装 mmdeploy

mmdeploy 有以下几种安装方式:

方式一： 安装预编译包

请参考安装概述

方式二： 一键式脚本安装

如果部署平台是 Ubuntu 18.04 及以上版本， 请参考脚本安装说明，完成安装过程。 比如，以下命令可以安装 mmdeploy 以及配套的推理引擎——ONNX Runtime.

git clone --recursive -b main https://github.com/open-mmlab/mmdeploy.git
cd mmdeploy
python3 tools/scripts/build_ubuntu_x64_ort.py $(nproc)
export PYTHONPATH=$(pwd)/build/lib:$PYTHONPATH
export LD_LIBRARY_PATH=$(pwd)/../mmdeploy-dep/onnxruntime-linux-x64-1.8.1/lib/:$LD_LIBRARY_PATH

方式三： 源码安装

在方式一、二都满足不了的情况下，请参考源码安装说明 安装 mmdeploy 以及所需推理引擎。

模型转换

你可以使用 tools/deploy.py 把 mmdet 模型一键式转换为推理后端模型。 该工具的详细使用说明请参考这里.

以下，我们将演示如何把 Faster R-CNN 转换为 onnx 模型。

cd mmdeploy
# download faster r-cnn model from mmdet model zoo
mim download mmdet --config faster-rcnn_r50_fpn_1x_coco --dest .
# convert mmdet model to onnxruntime model with dynamic shape
python tools/deploy.py \
    configs/mmdet/detection/detection_onnxruntime_dynamic.py \
    faster-rcnn_r50_fpn_1x_coco.py \
    faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    demo/resources/det.jpg \
    --work-dir mmdeploy_models/mmdet/ort \
    --device cpu \
    --show \
    --dump-info

转换的关键之一是使用正确的配置文件。项目中已内置了各后端部署配置文件。 文件的命名模式是：

{task}/{task}_{backend}-{precision}_{static | dynamic}_{shape}.py

其中：

  • {task}: mmdet 中的任务

    mmdet 任务有2种：物体检测（detection）、实例分割（instance-seg）。例如，RetinaNet、Faster R-CNN、DETR等属于前者。Mask R-CNN、SOLO等属于后者。更多模型-任务的划分，请参考章节模型支持列表。

    请务必使用 detection/detection_*.py 转换检测模型，使用 instance-seg/instance-seg_*.py 转换实例分割模型。

  • {backend}: 推理后端名称。比如，onnxruntime、tensorrt、pplnn、ncnn、openvino、coreml 等等

  • {precision}: 推理精度。比如，fp16、int8。不填表示 fp32

  • {static | dynamic}: 动态、静态 shape

  • {shape}: 模型输入的 shape 或者 shape 范围

在上例中，你也可以把 Faster R-CNN 转为其他后端模型。比如使用detection_tensorrt-fp16_dynamic-320x320-1344x1344.py，把模型转为 tensorrt-fp16 模型。

当转 tensorrt 模型时, --device 需要被设置为 "cuda"

模型规范

在使用转换后的模型进行推理之前，有必要了解转换结果的结构。 它存放在 --work-dir 指定的路路径下。

上例中的mmdeploy_models/mmdet/ort，结构如下：

mmdeploy_models/mmdet/ort
├── deploy.json
├── detail.json
├── end2end.onnx
└── pipeline.json

重要的是：

  • end2end.onnx: 推理引擎文件。可用 ONNX Runtime 推理
  • *.json: mmdeploy SDK 推理所需的 meta 信息

整个文件夹被定义为mmdeploy SDK model。换言之，mmdeploy SDK model既包括推理引擎，也包括推理 meta 信息。

模型推理

后端模型推理

以上述模型转换后的 end2end.onnx 为例，你可以使用如下代码进行推理：

from mmdeploy.apis.utils import build_task_processor
from mmdeploy.utils import get_input_shape, load_config
import torch

deploy_cfg = 'configs/mmdet/detection/detection_onnxruntime_dynamic.py'
model_cfg = './faster-rcnn_r50_fpn_1x_coco.py'
device = 'cpu'
backend_model = ['./mmdeploy_models/mmdet/ort/end2end.onnx']
image = './demo/resources/det.jpg'

# read deploy_cfg and model_cfg
deploy_cfg, model_cfg = load_config(deploy_cfg, model_cfg)

# build task and backend model
task_processor = build_task_processor(model_cfg, deploy_cfg, device)
model = task_processor.build_backend_model(backend_model)

# process input image
input_shape = get_input_shape(deploy_cfg)
model_inputs, _ = task_processor.create_input(image, input_shape)

# do model inference
with torch.no_grad():
    result = model.test_step(model_inputs)

# visualize results
task_processor.visualize(
    image=image,
    model=model,
    result=result[0],
    window_name='visualize',
    output_file='output_detection.png')

SDK 模型推理

你也可以参考如下代码，对 SDK model 进行推理：

from mmdeploy_runtime import Detector
import cv2

img = cv2.imread('./demo/resources/det.jpg')

# create a detector
detector = Detector(model_path='./mmdeploy_models/mmdet/ort', device_name='cpu', device_id=0)
# perform inference
bboxes, labels, masks = detector(img)

# visualize inference result
indices = [i for i in range(len(bboxes))]
for index, bbox, label_id in zip(indices, bboxes, labels):
  [left, top, right, bottom], score = bbox[0:4].astype(int), bbox[4]
  if score < 0.3:
    continue

  cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0))

cv2.imwrite('output_detection.png', img)

除了python API，mmdeploy SDK 还提供了诸如 C、C++、C#、Java等多语言接口。 你可以参考样例学习其他语言接口的使用方法。

模型支持列表

Model Task OnnxRuntime TensorRT ncnn PPLNN OpenVINO
ATSS Object Detection Y Y N N Y
FCOS Object Detection Y Y Y N Y
FoveaBox Object Detection Y N N N Y
FSAF Object Detection Y Y Y Y Y
RetinaNet Object Detection Y Y Y Y Y
SSD Object Detection Y Y Y N Y
VFNet Object Detection N N N N Y
YOLOv3 Object Detection Y Y Y N Y
YOLOX Object Detection Y Y Y N Y
Cascade R-CNN Object Detection Y Y N Y Y
Faster R-CNN Object Detection Y Y Y Y Y
Faster R-CNN + DCN Object Detection Y Y Y Y Y
GFL Object Detection Y Y N ? Y
RepPoints Object Detection N Y N ? Y
DETR* Object Detection Y Y N ? Y
Deformable DETR* Object Detection Y Y N ? Y
Conditional DETR* Object Detection Y Y N ? Y
DAB-DETR* Object Detection Y Y N ? Y
DINO* Object Detection Y Y N ? Y
CenterNet Object Detection Y Y N ? Y
RTMDet Object Detection Y Y N ? Y
Cascade Mask R-CNN Instance Segmentation Y Y N N Y
HTC Instance Segmentation Y Y N ? Y
Mask R-CNN Instance Segmentation Y Y N N Y
Swin Transformer Instance Segmentation Y Y N N Y
SOLO Instance Segmentation Y N N N Y
SOLOv2 Instance Segmentation Y N N N Y
CondInst Instance Segmentation Y Y N N N
Panoptic FPN Panoptic Segmentation Y Y N N N
MaskFormer Panoptic Segmentation Y Y N N N
Mask2Former* Panoptic Segmentation Y Y N N N

注意事项

  • 强烈建议使用TensorRT>=8.4来转换基于 transformer 的模型.
  • Mask2Former 请使用 TensorRT>=8.6.1 以保证动态尺寸正常推理.
  • DETR系列模型 不支持多批次推理.