cpu下onnx和libtorch部署速度对比_libtorch和onnx

1. cpu结果图

1.1. onnx

1.2. libtorch

2. 使用工具版本

• 系统：Windows10
• visual studio 2019
• CMake 3.28.1
• opencv 4.9
• onnxruntime 1.14.1
• libtorch 1.8.1

3. 安装

3.1 安装cmake

CMake下载链接：https://cmake.org/download/。

3.1.1 下载最新稳定版即可（Latest Release）：

3.1.2 下载完成后，单击“Next”按钮，在下图中勾选“I accept the terms in the License Agreement”复选框接受许可协议：

3.1.3 选中“Add CMake to the system PATH for all users”单选按钮添加系统路径变量。也可以同时勾选“CreateCMakeDesktopIcon”复选框，以便在安装完成后在桌面上创建CMake的快捷方式图标。

点击Install进行安装。

3.2 安装opencv

地址：https://github.com/opencv/opencv/releases/download/4.9.0/opencv-4.9.0-windows.exe

3.2.1 安装到指定目录并添加系统环境变量

3.3 安装onnxruntime

地址：https://github.com/microsoft/onnxruntime/releases/download/v1.14.1/onnxruntime-win-x64-gpu-1.14.1.zip

3.3.1 解压到指定目录并添加系统环境变量

3.4 安装gflags

地址：https://github.com/gflags/gflags

3.4.1 下载以后用cmake编译

3.4.2 点进Open Project，选择Release，右边解决方案INSTALL右键，生成

3.4.3 加入系统环境变量

3.5 安装libtorch

地址：https://download.pytorch.org/libtorch/cu111/libtorch-win-shared-with-deps-1.8.1%2Bcu111.zip

3.5.1 解压到指定目录并添加系统环境变量

4. 基于onnxruntime部署编译

4.1 新建build文件夹,用来存放项目编译结果，并用cmake打开预编译

4.2 vs打开编写属性页

4.3 编译

4.4 运行exe文件验证

5. 基于libtorch部署编译

5.1 cmake预编译

5.2 vs打开编写属性页

asmjit.lib
c10.lib
c10d.lib
c10_cuda.lib
caffe2_detectron_ops_gpu.lib
caffe2_module_test_dynamic.lib
caffe2_nvrtc.lib
clog.lib
cpuinfo.lib
dnnl.lib
fbgemm.lib
fbjni.lib
gloo.lib
gloo_cuda.lib
libprotobuf-lite.lib
libprotobuf.lib
libprotoc.lib
mkldnn.lib
pthreadpool.lib
pytorch_jni.lib
torch.lib
torch_cpu.lib
torch_cuda.lib
torch_cuda_cpp.lib
torch_cuda_cu.lib
XNNPACK.lib
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

5.3 编译运行