NVIDIA Jetson Nano 2GB系列文章(64):将模型部署到Jetson设备

前面我们花了很多力气在 TAO 上面训练模型,其最终目的就是要部署到推理设备上发挥功能。除了将模型训练过程进行非常大幅度的简化,以及整合迁移学习等功能之外,TAO 还有一个非常重要的任务,就是让我们更轻松获得 TensorRT 加速引擎。

将一般框架训练的模型转换成 TensorRT 引擎的过程并不轻松,但是 TensorRT 所带来的性能红利又是如此吸引人,如果能避开麻烦又能享受成果,这是多么好的福利!

  • 一般深度学习模型转成 TensorRT 引擎的流程

下图是将一般模型转成 TesnorRT 的标准步骤,在中间 “Builder” 右边的环节是相对单纯的,比较复杂的是 “Builder” 左边的操作过程。

图片1.jpg

下图就上图 “NetworkDefinition” 比较深入的内容,TensorRT 提供 Caffe、uff 与 ONNX 三种解析器,其中 Caffe 框架已淡出市场、uff 仅支持 TensorFlow 框架,其他的模型就需要透过 ONNX 交换格式进行转换。

图片2.png

这里以 TensorRT 所提供的 YOLOv3 范例来做范例,在安装 Jetpack 4.6 版本的 Jetson Nano 设备上进行体验,请进入到 TesnorRT 的 YOLOv3 范例中:

cd  /usr/src/tensorrt/samples/python/yolov3_onnx

根据项目的 README.md 指示,我们需要先为工作环境添加依赖库,不过由于部分库的版本关系,请先将 requirements.txt 的第 1、3 行进行以下的修改:

numpy==1.19.4
protobuf>=3.11.3
onnx==1.10.1
Pillow; python_version<"3.6"
Pillow==8.1.2; python_version>="3.6"
pycuda<2021.1

然后执行以下指令进行安装:

python3 -m pip install -r requirements.txt

接下来需要先下载 download.yml 里面的三个文件,

wget https://pjreddie.com/media/files/yolov3.weights 
wget https://raw.githubusercontent.com/pjreddie/darknet/f86901f6177dfc6116360a13cc06ab680e0c86b0/cfg/yolov3.cfg 
wget https://github.com/pjreddie/darknet/raw/f86901f6177dfc6116360a13cc06ab680e0c86b0/data/dog.jpg 

然后就能执行以下指令,将yolov3.weights转成yolov3.onnx:

./yolov3_to_onnx.py  -d  /usr/src/tensorrt

这个执行并不复杂,是因为 TensorRT 已经提供 yolov3_to_onnx.py 的 Python 代码,但如果将代码打开之后,就能感受到这 750+ 行代码要处理的内容是相当复杂,必须对 YOLOv3 的结构与算法有足够了解,包括解析 yolov3.cfg 的 788 行配置。想象一下,如果这个代码需要自行开发的话,这个难度有多高!

接下去再用下面指令,将 yolov3.onnx 转成 yolov3.trt 加速引擎:

./onnx_to_tensorrt.py  -d  /usr/src/tensorrt

以上是从一般神经网络模型转成 TensorRT 加速引擎的标准步骤,这需要对所使用的神经网络的结构层、数学公式、参数细节等等都有相当足够的了解,才有能力将模型先转换成 ONNX 文件,这是技术门槛比较高的环节。

  • TAO 工具训练的模型转成 TensorRT 引擎的工具

用 TAO 工具所训练、修剪并汇出的 .etlt 文件,可以跳过上述过程,直接在推理设备上转换成 TensorRT 加速引擎,我们完全不需要了解神经网络的任何结构与算法内容,直接将 .etlt 文件复制到推理设备上,然后用 TAO 所提供的转换工具进行转换就可以。

这里总共需要执行三个步骤:

1、下载 tao-converter 工具,并调试环境:

请根据以下 Jetpack 版本,下载对应的 tao-converter 工具:

Jetpack 4.4:https://developer.nvidia.com/cuda102-trt71-jp44-0 
Jetpack 4.5:https://developer.nvidia.com/cuda110-cudnn80-trt72-0 
Jetpack 4.6:https://developer.nvidia.com/jp46-20210820t231431z-001zip

下载压缩文件后执行解压缩,就会生成 tao-converter 与 README.txt 两个文件,再根据 README.txt 的指示执行以下步骤:

(1) 安装 libssl-dev 库:

sudo  apt  install  libssl-dev

(2) 配置环境,请在 ~/.bashrc 最后面添加两行设置:

export TRT_LIB_PATH=/usr/lib/aarch64-linux-gnu
export TRT_INCLUDE_PATH=/usr/include/aarch64-linux-gnu

(3) 将 tao-convert 变成可执行文件:

source ~/.bashrc
chmod  +x  tao-converter
sudo  cp  tao-converter  /usr/local/bin

2、安装 TensorRT 的 OSS (Open Source Software)

这是 TensorRT 的开源插件,项目在 https://github.com/NVIDIA/Ten...,下面提供的安装说明非常复杂,我们将繁琐的步骤整理之后,就是下面的步骤:

export  ARCH=请根据设备进行设置,例如Nano为53、NX为72、Xavier为62
export  TRTVER=请根据系统的TensorRT版本,例如Jetpack 4.6为8.0.1
git  clone  -b  $TRTVER  https://github.com/nvidia/TensorRT  TRToss 
cd  TRToss/
git checkout  -b  $TRTVER  &&  git  submodule  update  --init  --recursive
mkdir  -p  build  &&  cd  build
cmake .. \
-DGPU_ARCHS=$ARCH \
-DTRT_LIB_DIR=/usr/lib/aarch64-linux-gnu/ \
-DCMAKE_C_COMPILER=/usr/bin/gcc \
-DTRT_BIN_DIR=`pwd`/out \
-DTRT_PLATFORM_ID=aarch64 \
-DCUDA_VERSION=10.2
make  nvinfer_plugin  -j$(nproc)
sudo  mv /usr/lib/aarch64-linux-gnu/libnvinfer_plugin.so.8.0.1 /usr/lib/aarch64-linux-gnu/libnvinfer_plugin.so.8.0.1.bak
sudo cp libnvinfer_plugin.so.8.0.1  /usr/lib/aarch64-linux-gnu/libnvinfer_plugin.so.8.0.1

这样就能开始用 tao-converter 来将 .etlt 文件转换成 TensorRT 加速引擎了。

3、用 tao-converter 进行转换

(1)首先将 TAO 最终导出 (export) 的文件复制到 Jetson Nano 上,例如前面的实验中最终导出的文件 ssd_resnet18_epoch_080.etlt,

(2)在 Jetson Nano 上执行 TAO 的 ssd.ipynb 最后所提供的转换指令,如下:

%set_env KEY=
tao converter  -k  $KEY \
-d  3,300,300 \
    -o  NMS \
    -e  ssd_resnet18_epoch_080.trt \  # 自己设定输出名称
    -m  16 \
    -t  fp16 \                      # 使用export时相同精度
    -i  nchw \
    ssd_resnet18_epoch_080.etlt

这样就能生成在 Jetson Nano 上的 ssd_resnet18_epoch_080.trt 加速引擎文件,整个过程比传统方式要简便许多。

4 阅读 214
推荐阅读
0 条评论
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息