yolov5官方模型应用时要做适量修改，原因如下：
- 本仓中的yolov5导出的onnx为动态batch;
- 本仓中的yolov5.onnx模型将NMS后处理添加到模型中，以方便在转换为tensorrt时，加速推理速度，添加方式如下：
class End2End(nn.Module):
'''export onnx or tensorrt model with NMS operation.'''
def __init__(self, model, max_obj=100, iou_thres=0.45, score_thres=0.25, device=None, ort=False, trt_version=8, with_preprocess=False):
super().__init__()
device = device if device else torch.device('cpu')
self.with_preprocess = with_preprocess
self.model = model.to(device)
TRT = ONNX_TRT8
self.patch_model = TRT
self.nms = self.patch_model(max_obj, iou_thres, score_thres, device)
self.nms.eval()
# def forward(self, x, cord):
def forward(self, x):
x = self.model(x)[0]
num_det_whole, det_boxes_whole, det_scores_whole, det_classes_whole = self.nms(x)
det_result = torch.cat((det_boxes_whole, det_scores_whole.unsqueeze(2), det_classes_whole.float().unsqueeze(2)), dim=2)
return num_det_whole, det_result
class ONNX_TRT8(nn.Module):
'''onnx module with TensorRT NMS operation.'''
def __init__(self, max_obj=100, iou_thres=0.45, score_thres=0.25, device=None):
super().__init__()
self.device = device if device else torch.device('cpu')
self.background_class = -1,
self.box_coding = 1,
self.iou_threshold = iou_thres
self.max_obj = max_obj
self.plugin_version = '1'
self.score_activation = 0
self.score_threshold = score_thres
def forward(self, x):
box = x[:, :, :4]
conf = x[:, :, 4:5]
score = x[:, :, 5:]
score *= conf
num_det, det_boxes, det_scores, det_classes = TRT8_NMS.apply(box, score, self.background_class, self.box_coding,
self.iou_threshold, self.max_obj,
self.plugin_version, self.score_activation,
self.score_threshold)
return num_det, det_boxes, det_scores, det_classes
class TRT8_NMS(torch.autograd.Function):
'''TensorRT NMS operation'''
@staticmethod
def forward(
ctx,
boxes,
scores,
background_class=-1,
box_coding=1,
iou_threshold=0.45,
max_output_boxes=100,
plugin_version="1",
score_activation=0,
score_threshold=0.25,
):
batch_size, num_boxes, num_classes = scores.shape
num_det = torch.randint(0, max_output_boxes, (batch_size, 1), dtype=torch.int32)
det_boxes = torch.randn(batch_size, max_output_boxes, 4)
det_scores = torch.randn(batch_size, max_output_boxes)
det_classes = torch.randint(0, num_classes, (batch_size, max_output_boxes), dtype=torch.int32)
return num_det, det_boxes, det_scores, det_classes
@staticmethod
def symbolic(g,
boxes,
scores,
background_class=-1,
box_coding=1,
iou_threshold=0.45,
max_output_boxes=100,
plugin_version="1",
score_activation=0,
score_threshold=0.25):
out = g.op("TRT::EfficientNMS_TRT",
boxes,
scores,
background_class_i=background_class,
box_coding_i=box_coding,
iou_threshold_f=iou_threshold,
max_output_boxes_i=max_output_boxes,
plugin_version_s=plugin_version,
score_activation_i=score_activation,
score_threshold_f=score_threshold,
outputs=4)
nums, boxes, scores, classes = out
return nums, boxes, scores, classes- 下载yolov5官方代码，本人实验是基于yolov5_v7.0版本进行的；
- 按照官方教程准备数据集，对yolov5模型进行训练，获得要部署的模型best.pt或者last.pt，后文默认采用best.pt；
- 将best.pt导出为onnx;
- 将本仓的代码放置于yolov5内，与train.py同级；
PTQ共有3种实现方式，示例如下：
python onnx2trt_ptq.py参数说明：
- onnx_file_path：准备工作中导出的yolov5 onnx模型；
- engine_file_path：待保存的int8量化的序列化tensorrt模型路径；
- cali_img_path：校正数据集路径，本人实验时校正数据集采用了2000张训练数据集子集；
注意事项：
- 实验的是输入为动态batch的情况，故添加下述代码，请根据模型情况自行调整输入
profile = builder.create_optimization_profile()
profile.set_shape(network.get_input(0).name, min=(1, 3, 384, 1280), opt=(12, 3, 384, 1280), max=(26, 3, 384, 1280))
config.add_optimization_profile(profile)- 校正数据集的处理请根据自身模型输入自行调整；
- 校正数据集的shape[B, C,H,W]需与推理时模型输入shape[B,C,H,W]完全一致，方能得到较好的量化结果，即该量化方式不适用于动态shape;
-
安装polygraphy
pip install colored polygraphy --extra-index-url https://pypi.ngc.nvidia.com
-
量化
polygraphy convert XX.onnx --int8 --fp16 --data-loader-script loader_data.py --calibration-cache XX.cache -o XX.trt --trt-min-shapes images:[1,3,384,1280] --trt-opt-shapes images:[26,3,384,1280] --trt-max-shapes images:[26,3,384,1280] #量化参数说明：
- XX.onnx：准备工作中导出的yolov5 onnx模型；
- XX.trt: 待保存的int8量化的序列化tensorrt模型路径；
- XX.cache: 保存的校正cache；
- loader_data.py: 量化时，会读取loader_data.py中的load_data函数；
注意事项：
- loader_data.py中只是示例代码，请将此代码换做加载校正数据集，并按照模型需求处理校正数据集；
- 校正数据集的shape要与上述命令中的--trt-opt-shapes一致，否则报错；
- 校正数据集的shape[B, C,H,W]需与推理时模型输入shape[B,C,H,W]完全一致，方能得到较好的量化结果，即该量化方式不适用于动态shape;
python pytorch_yolov5_ptq.py参数说明：
- pt_file：准备工作中训练好的pytorch模型；
- calib_path：校正数据集路径；
- num： 校正数据集中采用num个数据进行校正；
- batchsize: 校正数据集输入的batchsize，此种方式中，校正数据集的batchsize无需与推理时保持一致，也可得到较好的量化结果；
- 按照自己模型的数据处理方式写CaliData类；
- 此模型导出int8量化后的onnx模型；
- 利用trtexec将onnx模型转为对应的tensorrt模型，命令中记得加入 --int8 --fp16；
python pytorch_yolov5_qat.py -m best.pt ...#best.pt为准备工作训练好的模型，...为其他命令参考train.py训练，数据采用训练数据集注意事项：
- 训练时图像尺寸必须与推理时保持一致，方能得到较好的量化结果；
- 初始学习率lr0设为0.0001
python export_onnx_qat.py参数说明：
- pt_file：为上述QAT训练的模型
注意事项：
- 实验中，导出onnx时，输入必须真实的图像数据才能导出正常输出的onnx模型