NVIDIA Jetson Nano 2GB 系列文章65：执行部署的 TensorRT 加速引擎
很多开发人员在转换完 TensorRT 加速引擎之后，最后准备调用起来执行推理任务的时候，就遇到一些障碍。这个环节是需要开发人员自行撰写相关代码，去执行读入数据（前处理）、执行推理、显示结果（后处理）等工作，如下图最右边的部分。
这部分的麻烦之处，在于每个神经网络的结构不相同，并没有“通用”的代码可以适用于大部分的网络结构，需要针对指定神经网络去撰写对应的代码，最重要是需要清除这个模型的输入 (input bold) 与输出 (outpold) 的名称与张量结构。
本文以前面在 TAO 工具套件中使用的 ssd 神经网络为范例，提供基础的“前后处理”范例代码给读者参考，这是从 NVIDIA 中国区开发者社区所举办过多届 “Sky 黑客松”比赛中，所提供的开源内容中提取的重点，主要如下：
1、数据前处理：
def _preprocess_trt(img, shape=(300, 300)):
"""TRT SSD推理前的数据前处理"""
img = cv2.resize(img, shape)
img = img.transpose((2, 0, 1)).astype(np.float32)
return img
这里 “shape=(300,300)” 为张量的尺度，根据模型训练时的长宽两个变量，至于 transpose 里的 (2,0,1) 是固定的，不需调整。
2、数据后处理：
def _postprocess_trt(img, output, conf_th, output_layout):
"""TRT SSD推理后的结果的数据处理步骤."""
img_h, img_w, _ = img.shape
boxes, confs, clss = [], [], []
for prefix in range(0, len(output), output_layout):
index = int(output)
conf = float(output)
if conf < conf_th:
continue
x1 = int(output * img_w)
y1 = int(output * img_h)
x2 = int(output * img_w)
y2 = int(output * img_h)
cls = int(output)
boxes.append((x1, y1, x2, y2))
confs.append(conf)
clss.append(cls)
return boxes, confs, clss # 返回标框坐标、置信度、类别
这里最重要的 x1, y1,x2, y2 坐标值，必须根据 SSD 神经网络所定义的规范去进行修改，其他部分可以通用于大部分神经网络。
3、定义 TrtSSD 类封装运行 TRT SSD 所需的东西：
class TrtSSD(object):
# 加载自定义组建，如果TRT版本小于7.0需要额外生成flattenconcat自定义组件库
def _load_plugins(self):
if trt.__version__ < '7':
ctypes.CDLL("ssd/libflattenconcat.so")
trt.init_libnvinfer_plugins(self.trt_logger, '')
#加载通过Transfer Learning Toolkit生成的推理引擎
def _load_engine(self):
TRTbin = 'ssd/TRT_%s.bin' % self.model#请根据实际状况自行修改
with open(TRTbin, 'rb') as f, trt.Runtime(self.trt_logger) as runtime:
return runtime.deserialize_cuda_engine(f.read())
#通过加载的引擎，生成可执行的上下文
def _create_context(self):
for binding in self.engine:
size = trt.volume(self.engine.get_binding_shape(binding)) * \
self.engine.max_batch_size
##注意：这里的host_mem需要使用pagelocked memory，以免内存被释放
host_mem = cuda.pagelocked_empty(size, np.float32)
cuda_mem = cuda.mem_alloc(host_mem.nbytes)
self.bindings.append(int(cuda_mem))
if self.engine.binding_is_input(binding):
self.host_inputs.append(host_mem)
self.cuda_inputs.append(cuda_mem)
else:
self.host_outputs.append(host_mem)
self.cuda_outputs.append(cuda_mem)
return self.engine.create_execution_context()
# 初始化引擎
def __init__(self, model, input_shape, output_layout=7):
self.model = model
self.input_shape = input_shape
self.output_layout = output_layout
self.trt_logger = trt.Logger(trt.Logger.INFO)
self._load_plugins()
self.engine = self._load_engine()
self.host_inputs = []
self.cuda_inputs = []
self.host_outputs = []
self.cuda_outputs = []
self.bindings = []
self.stream = cuda.Stream()
self.context = self._create_context()
# 释放引擎，释放GPU显存，释放CUDA流
def __del__(self):
del self.stream
del self.cuda_outputs
del self.cuda_inputs
# 利用生成的可执行上下文执行推理
def detect(self, img, conf_th=0.3):
img_resized = _preprocess_trt(img, self.input_shape)
np.copyto(self.host_inputs, img_resized.ravel())
# 将处理好的图片从CPU内存中复制到GPU显存
cuda.memcpy_htod_async(
self.cuda_inputs, self.host_inputs, self.stream)
# 开始执行推理任务
self.context.execute_async(
batch_size=1,
bindings=self.bindings,
stream_handle=self.stream.handle)
# 将推理结果输出从GPU显存复制到CPU内存
cuda.memcpy_dtoh_async(
self.host_outputs, self.cuda_outputs, self.stream)
cuda.memcpy_dtoh_async(
self.host_outputs, self.cuda_outputs, self.stream)
self.stream.synchronize()
output = self.host_outputs
return _postprocess_trt(img, output, conf_th, self.output_layout)
上面三个部分对不同神经网络都是不同的内容，如果要参考 YOLO 神经网络的对应内容，推荐参考 https://github.com/jkjung-avt/tensorrt_demos开源项目，里面有完整的 YOLOv3 与 YOLOv4 的详细内容。
本文的开源代码可以在此链接下载完整的内容与配套的工具。
https://pan.baidu.com/s/1fGLBnzqtnRNpfD3PbileOA密码: 99et
厉害厉害 赞赞赞赞赞 厉害厉害 不错不错
页:
[1]