Windows系统下MMDeploy预编译包的使用

Windows系统下MMDeploy预编译包的使用

MMDeploy步入v1版本后安装/使用难度大幅下降，这里以部署MMDetection项目的Faster R-CNN模型为例，将PyTorch模型转换为ONNX进而转换为Engine模型，部署到TensorRT后端，实现高效推理，主要参考了官方文档。

说明：制作本教程时，MMDeploy版本是v1.2.0

本机环境

• Windows 11

• Powershell 7

• Visual Studio 2019

• CUDA版本：11.7

• CUDNN版本：8.6

• Python版本：3.8

• PyTorch版本：1.13.1

• TensorRT版本：v8.5.3.1

• mmdeploy版本：v1.2.0

• mmdet版本：v3.0.0

1. 准备环境

每一步网上教程比较多，不多描述

• 安装Visual Studio 2019，勾选C++桌面开发，一定要选中Win10 SDK，貌似现在还不支持VS2022

• 安装CUDA&CUDNN

  • 注意版本对应关系
  • 一定要先安装VS2019，否则visual studio Integration无法安装成功，后面会报错
  • 默认安装选项即可，如果不是默认安装，一定要勾选visual studio Integration

• Anaconda3/MiniConda3

  安装完毕后，创建一个环境

  conda create -n faster-rcnn-deploy python=3.8 -y
  conda activate faster-rcnn-deploy
  

• 安装GPU版本的PyTorch

  pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117
  

• 安装OpenCV-Python

  pip install opencv-python
  

2. 安装TensorRT

登录官网下载即可，这里直接给出我用的链接

https://developer.nvidia.com/downloads/compute/machine-learning/tensorrt/secure/8.5.3/zip/TensorRT-8.5.3.1.Windows10.x86_64.cuda-11.8.cudnn8.6.zip

下载完成后，解压，进入解压的文件夹

• 新建一个用户/系统变量TENSORRT_DIR，值为当前目录

• 然后重启powershell，激活环境，此时可用$env:TENSORRT访问TensorRT安装目录

• 将$env:TENSORRT_DIR\lib加入PATH路径

• 然后重启powershell，激活环境

• 安装对应python版本的wheel包

  pip install $env:TENSORRT_DIR\python\tensorrt-8.5.3.1-cp38-none-win_amd64.whl
  

• 安装pycuda

  pip install pycuda
  

3. 安装mmdeploy及runtime

• mmdeploy：模型转换API

• runtime：模型推理API

  pip install mmdeploy==1.2.0
  pip install mmdeploy-runtime-gpu==1.2.0
  

4. 克隆MMDeploy仓库

新建一个文件夹，后面所有的仓库/文件均放在此目录下

克隆mmdeploy仓库主要是需要用到里面的配置文件

git clone -b main https://github.com/open-mmlab/mmdeploy.git

5. 安装MMDetection

需要先安装MMCV：

pip install -U openmim
mim install "mmcv>=2.0.0rc2"

克隆并编译安装mmdet：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
git checkout v3.0.0
pip install -v -e .
cd ..

4. 进行转换

文件目录如下：

./faster-rcnn-deploy/
├── app.py
├── checkpoints
├── convert.py
├── infer.py
├── mmdeploy
├── mmdeploy_model
├── mmdetection
├── output_detection.png
└── tmp.py

• 部署配置文件：mmdeploy/configs/mmdet/detection/detection_tensorrt-fp16_dynamic-320x320-1344x1344.py

• 模型配置文件：mmdetection/configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py

• 模型权重文件：checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth，这里是用的openmmlab训练好的权重，粘贴到浏览器，或者可以通过windows下的 wget 下载：

  wget -P checkpoints https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
  

• 测试图片文件：mmdetection/demo/demo.jpg

• 保存目录：mmdeploy_model/faster-rcnn-deploy-fp16

convert.py内容如下：

from mmdeploy.apis import torch2onnx
from mmdeploy.apis.tensorrt import onnx2tensorrt
from mmdeploy.backend.sdk.export_info import export2SDK
import osimg = "mmdetection/demo/demo.jpg"
work_dir = "mmdeploy_model/faster-rcnn-deploy-fp16"
save_file = "end2end.onnx"
deploy_cfg = "mmdeploy/configs/mmdet/detection/detection_tensorrt-fp16_dynamic-320x320-1344x1344.py"
model_cfg = "mmdetection/configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py"
model_checkpoint = "checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth"
device = "cuda"# 1. convert model to IR(onnx)
torch2onnx(img, work_dir, save_file, deploy_cfg, model_cfg, model_checkpoint, device)# 2. convert IR to tensorrt
onnx_model = os.path.join(work_dir, save_file)
save_file = "end2end.engine"
model_id = 0
device = "cuda"
onnx2tensorrt(work_dir, save_file, model_id, deploy_cfg, onnx_model, device)# 3. extract pipeline info for sdk use (dump-info)
export2SDK(deploy_cfg, model_cfg, work_dir, pth=model_checkpoint, device=device)

运行结果：

[08/30/2023-17:36:13] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in building engine: CPU +84, GPU +109, now: CPU 84, GPU 109 (MiB)

5. 推理测试

infer.py内容如下：

from mmdeploy.apis import inference_modeldeploy_cfg = "mmdeploy/configs/mmdet/detection/detection_tensorrt-fp16_dynamic-320x320-1344x1344.py"
model_cfg = "mmdetection/configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py"
backend_files = ["mmdeploy_model/faster-rcnn-fp16/end2end.engine"]
img = "mmdetection/demo/demo.jpg"
device = "cuda"
result = inference_model(model_cfg, deploy_cfg, backend_files, img, device)print(result)

运行结果：

08/30 17:42:43 - mmengine - INFO - Successfully loaded tensorrt plugins from F:\miniconda3\envs\faster-rcnn-deploy\lib\site-packages\mmdeploy\lib\mmdeploy_tensorrt_ops.dll
08/30 17:42:43 - mmengine - INFO - Successfully loaded tensorrt plugins from F:\miniconda3\envs\faster-rcnn-deploy\lib\site-packages\mmdeploy\lib\mmdeploy_tensorrt_ops.dll
...
...

inference_model每调用一次就会加载一次模型，效率很低，只是用来测试模型可用性，不能用在生产环境。要高效使用模型，可以集成Detector到自己的应用程序里面，一次加载，多次推理。如下：

6. 集成检测器到自己的应用中

app.py内容如下：

from mmdeploy_runtime import Detector
import cv2# 读取图片
img = cv2.imread("mmdetection/demo/demo.jpg")# 创建检测器
detector = Detector(model_path="mmdeploy_model/faster-rcnn-deploy-fp16",device_name="cuda",device_id=0,
)
# 执行推理
bboxes, labels, _ = detector(img)
# 使用阈值过滤推理结果，并绘制到原图中
indices = [i for i in range(len(bboxes))]
for index, bbox, label_id in zip(indices, bboxes, labels):[left, top, right, bottom], score = bbox[0:4].astype(int), bbox[4]if score < 0.3:continuecv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0))cv2.imwrite("output_detection.png", img)

调用这个API可以将训练的深度学习模型无缝集成到web后端里面，一次加载，多次推理

原图：

推理检测后：