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[prefix+0])        conf = float(output[prefix+2])        if conf < conf_th:            continue        x1 = int(output[prefix+3] * img_w)        y1 = int(output[prefix+4] * img_h)        x2 = int(output[prefix+5] * img_w)        y2 = int(output[prefix+6] * img_h)        cls = int(output[prefix+1])        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__[0] < '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[0], 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[0], self.host_inputs[0], 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[1], self.cuda_outputs[1], self.stream)        cuda.memcpy_dtoh_async(            self.host_outputs[0], self.cuda_outputs[0], self.stream)        self.stream.synchronize()
        output = self.host_outputs[0]        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

审核编辑 ：李倩