Detectron2部署教程，着重ONNX（从官网翻译）

本教程翻译至这里
https://detectron2.readthedocs.io/en/latest/tutorials/deployment.html

detectron2模型训练以后如果想要部署，就需要导出专门的模型才可以。

三种模型导出方式

detectron2支持的模型导出方式有：

• tracing
  该方式导出的格式是TorchScript，运行环境是PyTorch

• scripting
  该方式导出的格式是TorchScript，运行环境是PyTorch

• caffe2_tracing
  该方式导出的格式可以是Caffe2、TorchScript或ONNX，运行的环境是Caffe2或PyTorch

这三种方式的具体情况如下表：

其中要注意的是如果要通过caffe2_tracing方式转换，是不支持batch输入的，也不支持PointRend R-CNN和Cascade R-CNN算法，它的好处是不需要依赖torchvision

关于这三种方式的区别参考这里：
https://pytorch.org/tutorials/beginner/Intro_to_TorchScript_tutorial.html
https://pytorch.org/tutorials/beginner/Intro_to_TorchScript_tutorial.html

通过Caffe2-tracing导出方式部署

如果想要把模型转换为Caffe2、TorchScript或ONNX这三种格式，需要用到Caffe2Tracer 这个类，这种部署方式可以不用依赖detectron2和torchvision就可以运行在cpu或者gpu环境下，但是只在cpu的移动设备上进行了优化，没有在gpu设备上进行优化。

此外，要求ONNX ≥ 1.6

官方支持基于GeneralizedRCNN、RetinaNet、PanopticFPN这三种算法的模型转换，但是不支持Cascade R-CNN算法，也不支持Batch推理。

一、模型导出方式

参考的方法在这里API documentation，后面有时间我再进行下一步翻译，因为还需要写另一篇文章。

这里还有一个demo示例 export_model.py

二、在C++中调用

如果想在C++或者Python中调用，这里也提供了一个demo示例 C++ examples

注意点是：

• 模型导出方式必须是 caffe2_tracing
• The converted models do not contain post-processing operations that transform raw layer outputs into formatted predictions. For example, the C++ examples only produce raw outputs (28x28 masks) from the final layers that are not post-processed, because in actual deployment, an application often needs its custom lightweight post-processing, so this step is left for users.（这一步不理解）

为了能够帮助您更好的转换模型，我们封装了一个类 Caffe2Tracer 该类包含了如何在detectron2中如何调用caffe2模型。