查看: 1409|回复: 4

NVIDIA Jetson Nano 2GB系列文章（64）：将模型部署到Jetson设备

前面我们花了很多力气在 TAO 上面训练模型，其最终目的就是要部署到推理设备上发挥功能。除了将模型训练过程进行非常大幅度的简化，以及整合迁移学习等功能之外，TAO 还有一个非常重要的任务，就是让我们更轻松获得 TensorRT 加速引擎。

将一般框架训练的模型转换成 TensorRT 引擎的过程并不轻松，但是 TensorRT 所带来的性能红利又是如此吸引人，如果能避开麻烦又能享受成果，这是多么好的福利！

一般深度学习模型转成 TensorRT 引擎的流程

下图是将一般模型转成 TesnorRT 的标准步骤，在中间 “Builder” 右边的环节是相对单纯的，比较复杂的是 “Builder” 左边的操作过程。

NVIDIA Jetson Nano 2GB系列文章（64）：将模型部署到Jetson设备图2

下图就上图 “NetworkDefinition” 比较深入的内容，TensorRT 提供 Caffe、uff 与 ONNX 三种解析器，其中 Caffe 框架已淡出市场、uff 仅支持 TensorFlow 框架，其他的模型就需要透过 ONNX 交换格式进行转换。

NVIDIA Jetson Nano 2GB系列文章（64）：将模型部署到Jetson设备图3

NVIDIA Jetson Nano 2GB系列文章（64）：将模型部署到Jetson设备图3

这里以 TensorRT 所提供的 YOLOv3 范例来做范例，在安装 Jetpack 4.6 版本的 Jetson Nano 设备上进行体验，请进入到 TesnorRT 的 YOLOv3 范例中：

‍

cd  /usr/src/tensorrt/samples/python/yolov3_onnx
复制代码

根据项目的 README.md 指示，我们需要先为工作环境添加依赖库，不过由于部分库的版本关系，请先将 requirements.txt 的第 1、3 行进行以下的修改：

numpy==1.19.4
protobuf>=3.11.3
onnx==1.10.1
Pillow; python_version<"3.6"
Pillow==8.1.2; python_version>="3.6"
pycuda<2021.1
复制代码

然后执行以下指令进行安装：

python3 -m pip install -r requirements.txt
复制代码

接下来需要先下载 download.yml 里面的三个文件，

wget https://pjreddie.com/media/files/yolov3.weights 
wget https://raw.githubusercontent.com/pjreddie/darknet/f86901f6177dfc6116360a13cc06ab680e0c86b0/cfg/yolov3.cfg 
wget https://github.com/pjreddie/darknet/raw/f86901f6177dfc6116360a13cc06ab680e0c86b0/data/dog.jpg 
复制代码

然后就能执行以下指令，将 yolov3.weights 转成 yolov3.onnx：

./yolov3_to_onnx.py  -d  /usr/src/tensorrt
复制代码

这个执行并不复杂，是因为 TensorRT 已经提供 yolov3_to_onnx.py 的 Python 代码，但如果将代码打开之后，就能感受到这 750+ 行代码要处理的内容是相当复杂，必须对 YOLOv3 的结构与算法有足够了解，包括解析 yolov3.cfg 的 788 行配置。想象一下，如果这个代码需要自行开发的话，这个难度有多高！

接下去再用下面指令，将 yolov3.onnx 转成 yolov3.trt 加速引擎：

./onnx_to_tensorrt.py  -d  /usr/src/tensorrt
复制代码

以上是从一般神经网络模型转成 TensorRT 加速引擎的标准步骤，这需要对所使用的神经网络的结构层、数学公式、参数细节等等都有相当足够的了解，才有能力将模型先转换成 ONNX 文件，这是技术门槛比较高的环节。

TAO 工具训练的模型转成 TensorRT 引擎的工具

用 TAO 工具所训练、修剪并汇出的 .etlt 文件，可以跳过上述过程，直接在推理设备上转换成 TensorRT 加速引擎，我们完全不需要了解神经网络的任何结构与算法内容，直接将 .etlt 文件复制到推理设备上，然后用 TAO 所提供的转换工具进行转换就可以。

这里总共需要执行三个步骤：

1、下载 tao-converter 工具，并调试环境：

请根据以下 Jetpack 版本，下载对应的 tao-converter 工具：

Jetpack 4.4：https://developer.nvidia.com/cuda102-trt71-jp44-0 
Jetpack 4.5：https://developer.nvidia.com/cuda110-cudnn80-trt72-0 
Jetpack 4.6：https://developer.nvidia.com/jp46-20210820t231431z-001zip
复制代码

下载压缩文件后执行解压缩，就会生成 tao-converter 与 README.txt 两个文件，再根据 README.txt 的指示执行以下步骤：

（1）安装 libssl-dev 库：

sudo  apt  install  libssl-dev
复制代码

（2）配置环境，请在 ~/.bashrc 最后面添加两行设置：

export TRT_LIB_PATH=/usr/lib/aarch64-linux-gnu
export TRT_INCLUDE_PATH=/usr/include/aarch64-linux-gnu
复制代码

（3）将 tao-convert 变成可执行文件：

source ~/.bashrc
chmod  +x  tao-converter
sudo  cp  tao-converter  /usr/local/bin
复制代码

2、安装 TensorRT 的 OSS (Open Source Software)

这是 TensorRT 的开源插件，项目在 https://github.com/NVIDIA/TensorRT，下面提供的安装说明非常复杂，我们将繁琐的步骤整理之后，就是下面的步骤：

export  ARCH=请根据设备进行设置，例如Nano为53、NX为72、Xavier为62
export  TRTVER=请根据系统的TensorRT版本，例如Jetpack 4.6为8.0.1
git  clone  -b  $TRTVER  https://github.com/nvidia/TensorRT  TRToss 
cd  TRToss/
git checkout  -b  $TRTVER  &&  git  submodule  update  --init  --recursive
mkdir  -p  build  &&  cd  build
cmake .. \
 -DGPU_ARCHS=$ARCH \
 -DTRT_LIB_DIR=/usr/lib/aarch64-linux-gnu/ \
 -DCMAKE_C_COMPILER=/usr/bin/gcc \
 -DTRT_BIN_DIR=`pwd`/out \
 -DTRT_PLATFORM_ID=aarch64 \
 -DCUDA_VERSION=10.2
make  nvinfer_plugin  -j$(nproc)
sudo  mv /usr/lib/aarch64-linux-gnu/libnvinfer_plugin.so.8.0.1 
  /usr/lib/aarch64-linux-gnu/libnvinfer_plugin.so.8.0.1.bak
sudo cp libnvinfer_plugin.so.8.0.1  /usr/lib/aarch64-linux-gnu/libnvinfer_plugin.so.8.0.1
复制代码

这样就能开始用 tao-converter 来将 .etlt 文件转换成 TensorRT 加速引擎了。

3、用 tao-converter 进行转换

（1）首先将 TAO 最终导出 (export) 的文件复制到 Jetson Nano 上，例如前面的实验中最终导出的文件 ssd_resnet18_epoch_080.etlt，

（2）在 Jetson Nano 上执行 TAO 的 ssd.ipynb 最后所提供的转换指令，如下：

%set_env KEY=
tao converter  -k  $KEY \
-d  3,300,300 \
    -o  NMS \
    -e  ssd_resnet18_epoch_080.trt \  # 自己设定输出名称
    -m  16 \
    -t  fp16 \                      # 使用export时相同精度
    -i  nchw \
    ssd_resnet18_epoch_080.etlt
复制代码