深度学习模型PyTorch训练并转ONNX与TensorRT部署_转onnx模型,再转tensorrt 部署服务器

深度学习模型PyTorch训练并转ONNX与TensorRT部署

一般来说，深度学习模型是基于python训练的，在模型部署时，一般需要基于C++代码进行部署。本文以LeNet为例，介绍将一个深度学习模型从基于PyTorch训练到TensorRT部署的全过程，详细代码见：https://github.com/linghu8812/tensorrt_inference/tree/master/lenet。

1. 模型训练

通过命令python3 train.py可以训练一个识别手写数字的模型，模型的识别准确率在99%左右。

2. PyTorch模型转ONNX模型

通过命令python3 export_onnx.py可以将PyTorch模型转为ONNX模型，TensorRT框架无法直接解析PyTorch模型，所以先将PyTorch模型进行转换，以下代码中，转换的batch size为10。

import onnx
import torch

# export from pytorch to onnx
net = torch.load('mnist_net.pt').to('cpu')
image = torch.randn(10, 1, 28, 28)
torch.onnx.export(net, image, 'mnist_net.onnx', input_names=['input'], output_names=['output'])

# check onnx model
onnx_model = onnx.load("mnist_net.onnx")  # load onnx model
onnx.checker.check_model(onnx_model)
1
2
3
4
5
6
7
8
9
10
11

3. 编译lenet_trt

clone代码之后，直接编译即可。

mkdir build && cd build
cmake ..
make -j
1
2
3

4. 运行lenet_trt

完成编译后，直接运行 ./lenet_trt ../config.yaml ../samples/。sample文件夹中是需要识别的图片。config.yaml中定义了模型运行的配置，如需要转换的onnx文件和转换后的tensorrt文件名，推理时的batch size大小以及模型推理时的宽、高和通道数。

lenet:
    onnx_file:     "../mnist_net.onnx"
    engine_file:   "../mnist_net.trt"
    BATCH_SIZE:    10
    INPUT_CHANNEL: 1
    IMAGE_WIDTH:   28
    IMAGE_HEIGHT:  28
1
2
3
4
5
6
7

运行结果如下：