本项目是将基于Pytorch的LapSRN图像超分模型部署到TensorRT,技术路线为“pytorch model-->onnx file-->TensorRT engine”。
说明:当前只针对ONNX和TensorRT支持OP可进行转换。
Python3.8.5
TensorRT7.2.2.1
Pytorch1.8
PIL8.1.0
numpy1.19.5
pycuda2020.1
Linux_x86_64
CUDA11.1
CUDNN8.0.0
- TensorRT FP32
- TensorRT FP16
- TensorRT INT8
- 从Pytorch模型到ONNX:修改并使用pytorch2onnx.py脚本转ONNX。
- 根据上一步转换好的ONNX文件,进行TensorRT转换,使用命令 trtexec --verbose --onnx=results/lapsrn.onnx --saveEngine=./results/lapsrn_fp32.trt,trtexec --verbose --onnx=lapsrn.onnx --saveEngine=./results/lapsrn_fp16.trt --fp16 进行fp32和fp16转换。
- INT8量化可参考int8量化说明。
- 使用
do_inference.py
进行推理验证。可使用原始训练模型、fp32、fp16、int8进行单张图片推理测试,详细结果可见test_results。 - 速度对比:运行 engine_speed_compare.py 脚本进行engine文件与原始模型的速度对比。
Pytorch模型转ONNX:
- 参考脚本pytorch2onnx.py,需按照自己的需要定义模型与输入样例,然后转换。
将ONNX转换为INT8的TensorRT引擎,需要:
-
图像超分重建校准集calibrator_data,大小是240*240。用于在转换过程中寻找使得转换后的激活值分布与原来的FP32类型的激活值分布差异最小的阈值;
-
一个校准器类,该类继承trt.IInt8EntropyCalibrator2父类,具体内容参考脚本
myCalibrator.py
. -
使用时,需额外指定cache_file,这里指定为lapsrn.cache , 该参数是校准集cache文件的路径,会在校准过程中生成,方便下一次校准时快速提取。
https://github.com/NVIDIA/trt-samples-for-hackathon-cn
https://github.com/qq995431104/Pytorch2TensorRT#pytorch2tensorrt