【深度学习】【OnnxRuntime】【C++】模型转化、环境搭建以及模型部署的详细教程
提示:博主取舍了很多大佬的博文并亲测有效,分享笔记邀大家共同学习讨论
文章目录
前言
ONNXRuntime是微软推出的一款高性能的机器学习推理引擎框架,用户可以非常便利的用其运行一个onnx模型,专注于加速机器学习模型的预测阶段。ONNXRuntime设计目的是为了提供一个高效的执行环境,使机器学习模型能够在各种硬件上快速执行,支持多种运行后端包括CPU,GPU,TensorRT,DML等,使得开发者可以灵活选择最适合其应用场景的硬件平台,
ONNXRuntime是对ONNX模型最原生的支持。
读者可以通过学习【onnx部署】部署系列学习文章目录的快速入门–pytorch篇 的内容,快速入门上手。
模型转换–pytorch转onnx
Pytorch模型转onnx并推理的步骤如下:
- 将PyTorch预训练模型文件( .pth 或 .pt 格式)转换成ONNX格式的文件(.onnx格式),这一转换过程在PyTorch环境中进行。
- 将转换得到的 .onnx 文件随后作为输入,调用ONNXRuntime的C++ API来执行模型的推理。
博主使用AlexNet图像分类(五种花分类)进行演示,需要安装pytorch环境
conda create --name AlexNet python==3.10
conda activate AlexNet
# 根据自己主机配置环境
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 假设模型转化函数则降级为指定1.16.1版本
pip install onnx==1.16.1
然后把训练模型好的AlexNet.pth模型转成AlexNet.onnx模型,pyorch2onnx.py转换代码如下:
import torch
from model import AlexNet
model = AlexNet(num_classes=5)
weights_path = "./AlexNet.pth"
# 加载模型权重
model.load_state_dict(torch.load(weights_path))
# 模型推理模式
model.eval()
model.cpu()
# 虚拟输入数据
dummy_input1 = torch.randn(1, 3, 224, 224)
# 模型转化函数
torch.onnx.export(model, (dummy_input1), "AlexNet.onnx", verbose=True, opset_version=11)
【AlexNet.pth百度云链接,提取码:ktq5 】直接下载使用即可。
Windows平台搭建依赖环境
安装onnxruntime
官网下载安装文件地址,根据自己的情况选择合适的版本,博主使用ONNX Runtime v1.15.0版本。
在assert下选择onnxruntime-win-x64-gpu-1.15.0.zip下载
双击运行解压后即可:
打开VS 2019:新建新项目---->空项目---->配置项目---->项目路径以及勾选“将解决方案和项目放在同一目录中---->点击创建。
在解决方案–>源文件–>右键添加新建项。这里暂时可以默认空着不做处理。
设置onnxruntime路径:项目---->属性。假设没有新建cpp文件,空项目的属性页就不会存在C/C++这一项目。
添加附加包含目录:Release | x64---->C/C+±—>常规---->附加包含目录。
D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\include
链接器:Release | x64---->链接器---->常规---->附加库目录。
D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\lib
链接器:Release | x64---->链接器---->输入---->附加依赖项。
在D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\lib下找到附加依赖项的文件。
onnxruntime.lib
onnxruntime_providers_cuda.lib
onnxruntime_providers_shared.lib
安装OpenCV
官网下载安装文件地址,博主使用opencv-4.8.0-windows.exe版本
双击运行解压后即可,博主重命名为opencv4.8.0:
添加附加包含目录:Release | x64---->C/C+±—>常规---->附加包含目录。
D:\C++_demo\opencv4.8.0\build\include
链接器:Release | x64---->链接器---->常规---->附加库目录。
D:\C++_demo\opencv4.8.0\build\x64\vc16\lib
链接器:Release | x64---->链接器---->输入---->附加依赖项。
opencv_world480.lib
在Release x64模式下测试,将onnxruntime的onnxruntime.dll、onnxruntime_providers_cuda.dll和onnxruntime_providers_shared.dll,以及opencv的opencv_world480.dll文件复制到自己项目的Release下。
没有Release目录时,需要在Release | x64模式下运行一遍代码,代码部分在下面提供,读者可以先行新建文件复制代码。
D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\lib
D:\C++_demo\opencv4.8.0\build\x64\vc16\bin
===>
D:\C++_demo\onnxruntime_onnx\x64\Release
onnxruntime调用onnx模型
ONNXRuntime推理核心流程
初始化ONNXRuntime环境
通常涉及到创建一个 Ort::Env 对象,它包含了线程池和其他运行时设置。
Ort::Env env = Ort::Env(ORT_LOGGING_LEVEL_ERROR, "AlexNet-onnx");
Ort::Env参数 | 日志严重性级别 (logging severity level) | 环境名称 (environment name) |
---|---|---|
作用 | 决定了哪些级别的日志信息将被记录下来,运行时提供了几个预定义的宏来表示不同的日志级别。 | 主要用于标识特定的环境实例,尤其是在多线程或多进程环境中可以帮助追踪日志信息来源。 |
内容 | ORT_LOGGING_LEVEL_FATAL:仅记录致命错误;ORT_LOGGING_LEVEL_ERROR:记录错误信息;ORT_LOGGING_LEVEL_WARNING:记录警告信息;ORT_LOGGING_LEVEL_INFO:记录信息性消息;ORT_LOGGING_LEVEL_VERBOSE:记录详细的信息,包括调试信息。 | 字符串 |
设置会话选项
通常包括配置优化器级别、线程数和设备(GPU/CPU)使用等。
Ort::SessionOptions session_options;
session_options.SetGraphOptimizationLevel(ORT_ENABLE_BASIC);
session_options.SetIntraOpNumThreads(4);
OrtSessionOptionsAppendExecutionProvider_CUDA(session_options, 0);
OrtSessionOptionsAppendExecutionProvider_CPU(session_options, 1);
会换选项 | 优化器级别 | 线程数 | 设备使用 |
---|---|---|---|
函数 | SetGraphOptimizationLevel | SetIntraOpNumThreads | SetExecutionMode |
作用 | 在模型加载到ONNXRuntime之前对其进行图优化的过程,提高执行效率 | 设置每个运算符内部执行时的最大线程数 | CUDA/CPU设备选择,CUDA优先级设为0,CPU优先级设为1,优先尝试使用CUDA执行。 |
参数 | ORT_ENABLE_BASIC:基本的图优化; ORT_DISABLE_ALL:禁用所有优化;ORT_ENABLE_EXTENDED:启用扩展优化;ORT_ENABLE_ALL:启用所有优化。 | 整型 | session_options:用于配置会话选项; 整型:优先级值,数值越低优先级越高。 |
加载模型并创建会话
加载预训练的ONNX模型文件,使用运行时环境、会话选项和模型创建一个Ort::Session对象。
Ort::Session session_(env, modelPath.c_str(), session_options);
Ort::Session参数 | Ort::Env | model_path | session_options |
---|---|---|---|
内容 | ONNX 运行时环境对象 | 定模型的位置或者模型的二进制数据 | 会话选项 |
获取模型输入输出信息
从Ort::Session对象中获取模型输入和输出的详细信息,包括数量、名称、类型和形状。
Ort::AllocatorWithDefaultOptions allocator;
int input_nodes_num = session_.GetInputCount();
int output_nodes_num = session_.GetOutputCount();
auto input_name = session_.GetInputNameAllocated(i, allocator);
auto output_name = session_.GetOutputNameAllocated(i, allocator);
session_.GetInputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();
session_.GetOutputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();
推理准备
创建输入和输出张量,这些张量是用于存储推理数据的内存块,分配内存给这些张量,以准备数据输入。
std::array<int64_t, 4> input_shape_info{ 1, 3, input_h, input_w };
auto allocator_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);
Ort::Value input_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, timg.ptr<float>(), tpixels, input_shape_info.data(), input_shape_info.size());
函数 | Ort::MemoryInfo::CreateCpu | Ort::Value::CreateTensor |
---|---|---|
作用 | ONNX Runtime运行一个模型时,用于描述内存分配的信息,包括内存的位置(CPU 或 GPU)以及内存的具体类型(固定内存或常规内存) | 封装了张量数据,可以作为模型推理的输入或输出。 |
参数1 | OrtDeviceAllocator:默认的分配器类型,它用于分配设备(CPU或GPU)上的内存;OrtArenaAllocator:使用内存池来分配内存,可以减少内存分配和释放的开销,提高内存操作的效率;OrtCustomAllocator:自定义内存分配器。 | 用于分配和管理张量数据的内存。 |
参数2 | OrtMemTypeCPUInput:表示任何非CPU使用的CPU内存,用于模型的输入,数据将由非CPU执行器(GPU)使用;OrtMemTypeCPUOutput: 由非CPU输出的、CPU可访问的内存,用于模型的输出,确保数据在CPU上可用;OrtMemTypeCPU:通常与 OrtMemTypeCPUOutput 相同,指CPU可访问的内存;OrtMemTypeDefault:表示执行器的默认内存分配器,用于分配内存时没有特别指定其他类型时使用。 | 张量的形状 |
参数3 | ----- | 张量的大小 |
参数4 | ----- | 张量的指针 |
参数6 | ----- | 张量的维度数 |
参数3 | ----- | 张量的数据类型 |
执行推理
调用Ort::Session::Run方法,传入输入张量、输出张量和其他必要的参数,执行推理。
ort_outputs = session_.Run(Ort::RunOptions{ nullptr }, inputNames.data(), &input_tensor_, 1, outNames.data(), outNames.size());
session_.Run参数 | run_options | input_names | input_values | input_count | output_names | output_count |
---|---|---|---|---|---|---|
含义 | 是否进行性能分析、是否仅执行到达特定输出的最小子图等,通常是默配置。 | 输入节点名称数组 | 用于存储模型的输入数据Ort::Value | 输入数量 | 输出节点名称数组 | 输出数量 |
后处理推理结果
推理完成后,从输出张量中获取结果数据,根据需要对结果进行后处理,以获得最终的预测结果。
const float* pdata = ort_outputs[0].GetTensorMutableData<float>();
cv::Mat prob(num, nc, CV_32F, (float*)pdata);
cv::minMaxLoc(prob, &minv, &maxv, &minL, &maxL);
这部分不是OnnxRuntime核心部分,根据任务需求不同,代码基本不同。
ONNXRuntime推理代码
需要配置flower_classes.txt文件存储五种花的分类标签,并将其放置到工程目录下(推荐)。
daisy
dandelion
roses
sunflowers
tulips
这里需要将AlexNet.onnx放置到工程目录下(推荐),并且将以下推理代码拷贝到新建的cpp文件中,并执行查看结果。
#include "onnxruntime_cxx_api.h"
#include "cpu_provider_factory.h"
#include <opencv2/opencv.hpp>
#include <fstream>
// 加载标签文件获得分类标签
std::string labels_txt_file = "D:/C++_demo/onnxruntime_onnx/flower_classes.txt";
std::vector<std::string> readClassNames();
std::vector<std::string> readClassNames()
{
std::vector<std::string> classNames;
std::ifstream fp(labels_txt_file);
if (!fp.is_open())
{
printf("could not open file...\n");
exit(-1);
}
std::string name;
while (!fp.eof())
{
std::getline(fp, name);
if (name.length())
classNames.push_back(name);
}
fp.close();
return classNames;
}
int main(int argc, char** argv) {
// 预测的目标标签数
std::vector<std::string> labels = readClassNames();
// 测试图片
cv::Mat image = cv::imread("D:/C++_demo/onnxruntime_onnx/sunflowers.jpg");
cv::imshow("输入图", image);
// 初始化ONNXRuntime环境
Ort::Env env = Ort::Env(ORT_LOGGING_LEVEL_ERROR, "AlexNet-onnx");
// 设置会话选项
Ort::SessionOptions session_options;
// 优化器级别:基本的图优化级别
session_options.SetGraphOptimizationLevel(ORT_ENABLE_BASIC);
// 线程数:4
session_options.SetIntraOpNumThreads(4);
// 设备使用优先使用GPU而是才是CPU
std::cout << "onnxruntime inference try to use GPU Device" << std::endl;
OrtSessionOptionsAppendExecutionProvider_CUDA(session_options, 0);
OrtSessionOptionsAppendExecutionProvider_CPU(session_options, 1);
// onnx训练模型文件
std::string onnxpath = "D:/C++_demo/onnxruntime_onnx/AlexNet.onnx";
std::wstring modelPath = std::wstring(onnxpath.begin(), onnxpath.end());
// 加载模型并创建会话
Ort::Session session_(env, modelPath.c_str(), session_options);
// 获取模型输入输出信息
int input_nodes_num = session_.GetInputCount(); // 输入节点输
int output_nodes_num = session_.GetOutputCount(); // 输出节点数
std::vector<std::string> input_node_names; // 输入节点名称
std::vector<std::string> output_node_names; // 输出节点名称
Ort::AllocatorWithDefaultOptions allocator;
// 输入图像尺寸
int input_h = 0;
int input_w = 0;
// 获取模型输入信息
for (int i = 0; i < input_nodes_num; i++) {
// 获得输入节点的名称并存储
auto input_name = session_.GetInputNameAllocated(i, allocator);
input_node_names.push_back(input_name.get());
// 显示输入图像的形状
auto inputShapeInfo = session_.GetInputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();
int ch = inputShapeInfo[1];
input_h = inputShapeInfo[2];
input_w = inputShapeInfo[3];
std::cout << "input format: " << ch << "x" << input_h << "x" << input_w << std::endl;
}
// 获取模型输出信息
int num = 0;
int nc = 0;
for (int i = 0; i < output_nodes_num; i++) {
// 获得输出节点的名称并存储
auto output_name = session_.GetOutputNameAllocated(i, allocator);
output_node_names.push_back(output_name.get());
// 显示输出结果的形状
auto outShapeInfo = session_.GetOutputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();
num = outShapeInfo[0];
nc = outShapeInfo[1];
std::cout << "output format: " << num << "x" << nc << std::endl;
}
// 输入数据预处理
cv::Mat rgb, blob;
// 默认是BGR需要转化成RGB
cv::cvtColor(image, rgb, cv::COLOR_BGR2RGB);
// 对图像尺寸进行缩放
cv::resize(rgb, blob, cv::Size(input_w, input_h));
blob.convertTo(blob, CV_32F);
// 对图像进行正则化处理
blob = blob / 255.0; // 归一化
cv::subtract(blob, cv::Scalar(0.485, 0.456, 0.406), blob); // 减去均值
cv::divide(blob, cv::Scalar(0.229, 0.224, 0.225), blob); //除以方差
// CHW-->NCHW 维度扩展
cv::Mat timg = cv::dnn::blobFromImage(blob);
std::cout << timg.size[0] << "x" << timg.size[1] << "x" << timg.size[2] << "x" << timg.size[3] << std::endl;
// 占用内存大小,后续计算是总像素*数据类型大小
size_t tpixels = input_h * input_w * 3;
std::array<int64_t, 4> input_shape_info{ 1, 3, input_h, input_w };
// 准备数据输入
auto allocator_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);
Ort::Value input_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, timg.ptr<float>(), tpixels, input_shape_info.data(), input_shape_info.size());
// 模型输入输出所需数据(名称及其数量),模型只认这种类型的数组
const std::array<const char*, 1> inputNames = { input_node_names[0].c_str() };
const std::array<const char*, 1> outNames = { output_node_names[0].c_str() };
// 模型推理
std::vector<Ort::Value> ort_outputs;
try {
ort_outputs = session_.Run(Ort::RunOptions{ nullptr }, inputNames.data(), &input_tensor_, 1, outNames.data(), outNames.size());
}
catch (std::exception e) {
std::cout << e.what() << std::endl;
}
// 1x5 获取输出数据并包装成一个cv::Mat对象,为了方便后处理
const float* pdata = ort_outputs[0].GetTensorMutableData<float>();
cv::Mat prob(num, nc, CV_32F, (float*)pdata);
// 后处理推理结果
cv::Point maxL, minL; // 用于存储图像分类中的得分最小值索引和最大值索引(坐标)
double maxv, minv; // 用于存储图像分类中的得分最小值和最大值
cv::minMaxLoc(prob, &minv, &maxv, &minL, &maxL);
int max_index = maxL.x; // 获得最大值的索引,只有一行所以列坐标既为索引
std::cout << "label id: " << max_index << std::endl;
// 在测试图像上加上预测的分类标签
cv::putText(image, labels[max_index], cv::Point(50, 50), cv::FONT_HERSHEY_SIMPLEX, 1.0, cv::Scalar(0, 0, 255), 2, 8);
cv::imshow("输入图像", image);
cv::waitKey(0);
// 释放资源
session_options.release();
session_.release();
return 0;
}
图片正确预测为向日葵:
总结
尽可能简单、详细的介绍了pytorch模型到onnx模型的转化,C++下onnxruntime环境的搭建以及ONNX模型的OnnxRuntime部署。