备注
您正在阅读 MMClassification 0.x 版本的文档。MMClassification 0.x 会在 2022 年末被切换为次要分支。建议您升级到 MMClassification 1.0 版本,体验更多新特性和新功能。请查阅 MMClassification 1.0 的安装教程、迁移教程以及更新日志。
ONNX 转 TensorRT(试验性的)¶
如何将模型从 ONNX 转换到 TensorRT¶
准备工作¶
请参照 安装指南 从源码安装 MMClassification。
使用我们的工具 pytorch2onnx.md 将 PyTorch 模型转换至 ONNX。
使用方法¶
python tools/deployment/onnx2tensorrt.py \
${MODEL} \
--trt-file ${TRT_FILE} \
--shape ${IMAGE_SHAPE} \
--workspace-size {WORKSPACE_SIZE} \
--show \
--verify \
所有参数的说明:
model
: ONNX 模型的路径。--trt-file
: TensorRT 引擎文件的输出路径。如果没有指定,默认为当前脚本执行路径下的tmp.trt
。--shape
: 模型输入的高度和宽度。如果没有指定,默认为224 224
。--workspace-size
: 构建 TensorRT 引擎所需要的 GPU 空间大小,单位为 GiB。如果没有指定,默认为1
GiB。--show
: 是否展示模型的输出。如果没有指定,默认为False
。--verify
: 是否使用 ONNXRuntime 和 TensorRT 验证模型转换的正确性。如果没有指定,默认为False
。
示例:
python tools/deployment/onnx2tensorrt.py \
checkpoints/resnet/resnet18_b16x8_cifar10.onnx \
--trt-file checkpoints/resnet/resnet18_b16x8_cifar10.trt \
--shape 224 224 \
--show \
--verify \
支持转换至 TensorRT 的模型列表¶
下表列出了保证可转换为 TensorRT 的模型。
模型 |
配置文件 |
状态 |
---|---|---|
MobileNetV2 |
|
Y |
ResNet |
|
Y |
ResNeXt |
|
Y |
ShuffleNetV1 |
|
Y |
ShuffleNetV2 |
|
Y |
注:
以上所有模型转换测试基于 Pytorch==1.6.0 和 TensorRT-7.2.1.6.Ubuntu-16.04.x86_64-gnu.cuda-10.2.cudnn8.0 进行
提示¶
如果你在上述模型的转换中遇到问题,请在 GitHub 中创建一个 issue,我们会尽快处理。未在上表中列出的模型,由于资源限制,我们可能无法提供很多帮助,如果遇到问题,请尝试自行解决。
常见问题¶
无