ONNX模型利用CUDA加速如何正确配置好环境？_azureexecutionprovider

目前onnx可选的执行引擎非常多，覆盖了从cpu、gpu到npu，从Intel平台到AMD平台等。如下是onnxruntime所有的执行引擎。

['TensorrtExecutionProvider', 'CUDAExecutionProvider', 'MIGraphXExecutionProvider', 'ROCMExecutionProvider', 'OpenVINOExecutionProvider', 'DnnlExecutionProvider', 'TvmExecutionProvider', 'VitisAIExecutionProvider', 'QNNExecutionProvider', 'NnapiExecutionProvider', 'JsExecutionProvider', 'CoreMLExecutionProvider', 'ArmNNExecutionProvider', 'ACLExecutionProvider', 'DmlExecutionProvider', 'RknpuExecutionProvider', 'WebNNExecutionProvider', 'XnnpackExecutionProvider', 'CANNExecutionProvider', 'AzureExecutionProvider', 'CPUExecutionProvider']

我们最熟悉的执行引擎莫过于 CPUExecutionProvider了，所有的计算设备（电脑、计算盒子等）可以没有显卡、NPU等，但一定得有CPU，因此无论你的模型是用Pytorch训练的又或者是Tensorflow、MXNET、PaddlePaddle训练的，也不论你的模型网络结构是怎样的，又或者你的模型是部署在什么样的硬件环境下，我们总可以把pytorch等深度学习框架训练得到的模型转化为ONNX中间态，然后利用ONNX模型进行推理，并把ONNX迁移到任意设备上。要知道就拿Pytorch深度学习框架来说，不是所有的计算设备拥有的硬件环境可以满足安装Pytorch的，在个人笔记本上安装Pytorch或许很简单，但是在手机上或者算力更低的边缘计算设备上是安装不了Pytorch的，但是并不代表在手机上或者边缘计算设备上跑不了Pytorch训练的模型。这种情况下，ONNX就发挥了巨大作用。

但是总是用CPU推理ONNX模型往往速度不佳，难易达到低延迟、高吞吐。如果计算设备上有额外计算硬件加持并且ONNX支持该硬件那就更好了。

OK，言归正传，今天来聊一聊，在onnxruntime python api的情况下，如何正确配置好环境，让ONNX模型在拥有英伟达显卡的计算设备上进行深度加速。

在N卡上进行加速，首先，需要的硬件环境就是电脑上得有英伟达显卡，其实电脑上安装好了英伟达显卡驱动，没有安装好驱动的小伙伴可以查看这篇文章。之后就是安装CUDA工具包了，最后是下载onnxruntime-gpu依赖。

要理解用英伟达显卡加速ONNX模型，不是用onnxruntime而是onnxruntime-gpu，onnxruntime是CPU执行引擎，它没有CUDA、Tensorrt执行引擎，即使你手动指定了CUDA、Tensorrt执行引擎也没有用的。要下载onnxruntime-gpu并且手动指定执行引擎为TensorrtExecutionProvider'或者'CUDAExecutionProvider'，你不指定，那么即使你下载了onnxruntime-gpu，也配置好了对应版本的CUDA，那么此时还是CPU推理，因为不论是onnxruntime还是onnxruntime-gpu，不指定执行引擎，都默认采用CPU执行引擎。其次，这两个包不能共存，下载onnxruntime-gpu之前要删除干净onnxruntime。onnxruntime的python 导包方式是

import onnxruntime

onnxruntime-gpu的python 导包方式也是

import onnxruntime

因此如果两个包共存，有时候导入的是onnxruntime，而有时候导入的是onnxruntime-gpu,会产生非常奇怪的bug 。

这里最容易犯错的地方就是安装CUDA。

经常会有小伙伴遇到：本地电脑下载安装、配置好了CUDA，也删除了onnxruntime，重新下载了onnxruntime-gpu，项目代码中的onnxruntime执行引擎也手动指定了'TensorrtExecutionProvider'或者 'CUDAExecutionProvider'，为什么就是不走GPU推理，反而还是CPU？又或者遇到了：ONNX GPU推理反而比CPU还要慢的情况。这里就属于典型的CUDA版本跟onnxruntime-gpu版本不匹配。

以CUDACUDAExecutionProvider为例，官方明确指出了在推理的时候，onnxruntime-gpu的版本要跟CUDA、CuDnn版本匹配

NVIDIA - CUDA | onnxruntime

但是，就拿本人的多次onnx项目部署实践经历来说，有时候这些版本并不是严格完全对应的，上面的表格版本对应关系也是官方自己测试的，应该并不是面面俱到。例如官方测试的onnxruntime-gpu版本1.15 1.16 1.17可以对应CUDA11.6 CUDA 11.7 CUDA11.8; CuDnn版本8.2.4到8.9.0 

但是我测试过onnxruntime-gpu 1.16指定CUDAExecutionProvider引擎在不安装Cudnn，CUDA为11.4 11.7 11.8 12.4都可以进行加速 。但是我也有不少翻车的经历，有时候没注意CUDA跟onnxruntime-gpu的版本对应关系，ONNX项目不走GPU推理；项目走GPU推理反而比CPU还慢；项目走了GPU推理但是时快时慢，慢的时候比CPU还慢。这些情况我都遇到过，但是把版本对应起来之后，总能解决上面的问题。因此上面的版本对应关系还是非常具有参考意义的。

同时还要注意我们直接通过pip安装的onnxruntime-gpu都是官方实现帮我们编译好的，比如截止到2024.6.28，官方提供的onnxruntime-gpu 1.18 和 1.17都是在CUDA11.8环境下通过源码编译得到wheel包的，官方提示：CUDA11.8编译得到的onnxruntime在推理时可以兼容CUDA11.x，但是不能兼容CUDA12.x。但是本人通过pip安装的onnxruntime-1.16（虽然不知道是哪个版本CUDA编译而来的）在CUDA 11.4 11.7 11.8 12.4都可以进行加速

 

但是最正确的方式还是通过onnxruntime-gpu源码在本地用自己的CUDA编译出onnxruntime-gpu,但是编译过程繁琐而且不保证成功，我们大多数都是直接pip安装onnxruntime-gpu的wheel，但是此时务必注意版本对应关系。

那么问题来了，假如我的电脑全局安装了CUDA11.3，但是用CUDA11.3不能对onnx进行CUDA加速，需要重新安装CUDA吗？其实完全没有必要，我们完全可以利用anaconda在虚拟环境中安装指定版本的CUDA以适配onnxruntime-gpu，即本地环境多版本CUDA共存，可以参考本人的这篇文章

同理，执行引擎为 TensorrtExecutionProvider，onnxruntime也需要跟CUDA、Tensorrt版本匹配。NVIDIA - TensorRT | onnxruntime

指定引擎为TensorrtExecutionProvider需要在本地事先安装好Tensorrt，据我观察在推理的时候，是现场将onnx转Tensorrt的，但是模型不保存本地而是保存在内存中了，程序启动开始转换，程序结束Tensorrt模型销毁，并且这个转化的过程还很长，几十秒到几分钟不等，所以这就造成了一个问题，假如我写了一个脚本让模型推理一张图片，每次推理都需要重新执行这个脚本，那么模型转化的过程就包含在内了，此时表面上看时间很长，但实际上时间都花在了转化模型上。但是如果将这个模型发布为flask服务，在启动服务之前将onnx推理代码所在的类提前初始化，等个几分钟，模型先转化过去，服务在启动，模型推理速度就正常了。