利用TensorRT转换ResNet50

2022.08.16

本文使用Tensorflow中集成的TensorRT进行模型转换。

不需要安装TensorRT的Python库,但是TensorRT还需要安装,需要用到的包是libnvinfer,如若不安装TensorRT,需要使用apt-get install libnvinfer进行安装。

关于TensorRT的安装,请参考:

为Tensorflow安装TensorRT(tar)_January_Cao的博客-CSDN博客

0. 文件夹构成

├── compare_models.py
├── convert.py
├── data

│   ├── download_images.sh
│   ├── img0.jpg
│   ├── img1.jpg
│   ├── img2.jpg
│   └── img3.jpg

├── model_check.py
└── save_model.py

1. 准备数据

也可以随意从网上下载图片。

或者执行【sh download_images.sh】下载图片至data文件夹

wget -O img0.jpg https://res.cloudinary.com/roundglass/image/upload/q_auto/ar_16:9,c_fill,w_1250/f_auto,g_auto/v1639561104/rg/collective/media/vyy8zc9ww3gqsjkqy9gk.jpg

wget -O img1.jpg https://www.fundacion-affinity.org/sites/default/files/los-10-sonidos-principales-del-gato-fa.jpg

wget -O img2.jpg https://hips.hearstapps.com/hmg-prod.s3.amazonaws.com/images/dog-puppy-on-garden-royalty-free-image-1586966191.jpg?crop=1.00xw:0.669xh;0,0.190xh&resize=1200:*

wget -O img3.jpg https://upload.wikimedia.org/wikipedia/commons/thumb/0/05/Parrot.jpg/1280px-Parrot.jpg

2. 模型数据下载和推理,保存模型为saved_model

执行以下代码,可以看到对图片的推理结果,并把模型以saved_model的形式保存到‘resnet50_saved_model’路径下。

# save_model.py
import numpy as np

from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.k
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorRT是一种高性能深度学习推理库,用于在生产环境中加速深度学习模型的推理。要将ResNet模型部署到TensorRT中,可以按照以下步骤进行: 1. 模型的导出:首先,需要使用任何一种深度学习框架(如PyTorch或TensorFlow)来训练和导出ResNet模型。导出的模型应该是一个可以被TensorRT解析的格式,例如ONNX。 2. TensorRT的安装:在部署ResNet模型之前,需要先安装TensorRT。可以从NVIDIA官方网站上下载并安装适合系统和硬件的TensorRT版本。 3. 模型的优化:使用TensorRT库的API,加载导出的模型文件,并对其进行优化。TensorRT会自动地将网络结构转换为高效的计算图,并应用各种优化技术,以提高推理性能。 4. 数据预处理:在将图像输入到优化后的模型之前,需要对其进行预处理。这可以包括图像的大小调整、标准化和归一化等操作。 5. 推理过程:使用TensorRT提供的推理引擎,将预处理后的图像输入到优化模型中,以获得输出结果。可以一次处理单个图像,也可以批处理多个图像。 6. 结果的后处理:根据具体的应用场景,对模型的输出进行后处理,可以包括去除冗余信息、解码分类标签等操作。 通过以上步骤,我们可以使用TensorRT成功部署并加速ResNet模型的推理过程。TensorRT的高效性能和优化技术将大大提升模型的推理速度,使其适用于实时应用和高吞吐量场景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值