Jetson NX 使用 TensorRT 优化 tensorflow 模型

如何解决Jetson NX 使用 TensorRT 优化 tensorflow 模型

我正在尝试加速分段模型 (unet-mobilenet-512x512)。我使用 FP16 精度模式将我的 tensorflow 模型转换为 tensorRT。而且速度比我预想的要低。 在优化之前，我在使用 .pb 冻结图进行推理时有 7FPS。在 tensorRT 优化后，我有 14FPS。

这是来自他们网站的 Jetson NX 的基准测试结果
你可以看到，unet 256x256 的分割速度是 146 FPS。我想，在最坏的情况下，我的 unet512x512 的速度应该慢 4 倍。

这是我使用 TensorRt 优化 tensorflow 保存模型的代码：

import numpy as np
from tensorflow.python.compiler.tensorrt import trt_convert as trt
import tensorflow as tf

params = trt.DEFAULT_TRT_CONVERSION_ParaMS
params = params._replace(
    max_workspace_size_bytes=(1<<32))
params = params._replace(precision_mode="FP16")
converter = tf.experimental.tensorrt.Converter(input_saved_model_dir='./model1',conversion_params=params)
converter.convert()

def my_input_fn():
  inp1 = np.random.normal(size=(1,512,3)).astype(np.float32)
  yield [inp1]

converter.build(input_fn=my_input_fn)  # Generate corresponding TRT engines
output_saved_model_dir = "trt_graph2"
converter.save(output_saved_model_dir)  # Generated engines will be saved.


print("------------------------freezing the graph---------------------")


from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2

saved_model_loaded = tf.saved_model.load(
    output_saved_model_dir,tags=[tf.compat.v1.saved_model.SERVING])
graph_func = saved_model_loaded.signatures[
    tf.compat.v1.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY]
frozen_func = convert_variables_to_constants_v2(
    graph_func)
frozen_func.graph.as_graph_def()

tf.io.write_graph(graph_or_graph_def=frozen_func.graph,logdir="./",name="unet_frozen_graphTensorRt.pb",as_text=False)

我下载了用于 Jetson NX 基准测试 ( https://github.com/NVIDIA-AI-IOT/jetson_benchmarks ) 的存储库，并且 unet256x256 的速度确实是 ~146FPS。但是没有优化模型的管道。 我怎样才能得到类似的结果？我正在寻找使我的模型 (unet-mobilenet-512x512) 速度接近 30FPS
的解决方案
也许我应该以其他方式运行推理（没有 tensorflow）或更改一些转换参数？
任何建议，谢谢

解决方法

据我所知，您链接到的存储库使用了在底层使用 TensorRT (TRT) 的命令行工具。请注意，TensorRT 与“TensorFlow 中的 TensorRT”（即您在代码中使用的 TensorFlow-TensorRT (TF-TRT)）不同。 TF-TRT 和 TRT 模型在 Jetson 设备上的运行速度都比常规 TF 模型快，但 TF-TRT 模型仍然比 TRT 模型慢（source 1，source 2）。

TRT 的缺点是需要在目标设备上完成到 TRT 的转换，并且成功实施它可能非常困难，因为有各种 TensorFlow 操作{{3} } （在这种情况下，您需要编写一个自定义插件，或者向上帝祈祷互联网上已经有人这样做了。……或者仅将 TensorRT 用于您的模型的一部分并在 TensorFlow 中进行预处理/后处理）。

基本上有两种方法可以将模型从 TensorFlow 模型转换为 TensorRT“引擎”，也就是“计划文件”，两者都使用中间格式：

• TF -> UFF -> TRT
• TF -> ONNX -> TRT

在这两种情况下，都可以使用 TRT does not support/graphsurgeon 库来修改 TF/ONNX 图以实现图操作的兼容性。如上所述，可以通过 TensorRT 插件添加不受支持的操作。 （这确实是这里的主要挑战：不同的图形文件格式和不同的目标 GPU 支持不同的图形操作。）

还有第三种方式，您可以使用 TF -> Caffe -> TRT，显然还有第四种方式，您使用 onnx-graphsurgeon（基于 TF/Keras）和 Nvidia's Transfer Learning Toolkit (TLT) 但我不熟悉用它。不过，后一个链接确实提到了转换 UNet 模型。

请注意，涉及 UFF 和 Caffe a tool called tlt-converter 和支持的路径将在 TensorRT 9.0 中删除，因此如果您想要面向未来的东西，您可能应该选择 ONNX。话虽如此，我在网上遇到的大多数在线示例代码仍然使用 UFF，而 TensorRT 9.0 还需要一段时间。

无论如何，我还没有尝试将 UNet 转换为 TensorRT，但以下存储库提供了示例代码，它们可能会让您大致了解它的工作原理：

• TF -> UFF -> TRT: are now deprecated,jkjung-avt/tensorrt_demos（后者使用了一点 C++）

• TF -> ONNX -> TRT: NVIDIA-AI-IOT/tf_to_trt_image_classification,tensorflow-onnx

• Keras -> ONNX -> TRT：onnx-tensorrt（这个提到将 Unet 转换为 TRT！）

请注意，即使您没有设法为您的模型完成从 ONNX 到 TRT 的转换，也可以使用 ONNX 运行时进行推理 Nvidia blog post，尤其是当您使用 could potentially still give you a performance gain 或CUDA 将自动启用 TensorRT execution provider。 （不过，我不确定它与 TF-TRT 或 TRT 相比如何，但它可能仍然值得一试。）

最后，为了完整起见，我还要提一下，至少我的团队一直在尝试从 TF 切换到 PyTorch 的想法，部分原因是最近 Nvidia 的支持越来越好，而且 Nvidia 员工似乎更倾向于 PyTorch ， 也。特别是，现在有两种不同的方法可以将模型转换为 TRT：

• PyTorch -> ONNX -> TRT（由 provided you're on a Jetson device and running the correct ONNXRuntime build 使用）

• PyTorch -> TRT（通过 dusty_nv 直接转换）。似乎 torch2trt quite a few 使用了这个。

,

嗨，您能分享一下您遇到的错误吗？它应该按照以下步骤工作：

1. 将 TensorFlow/Keras 模型转换为 .pb 文件。
2. 将 .pb 文件转换为 ONNX 格式。
3. 创建一个 TensorRT 引擎。
4. 从 TensorRT 引擎运行推理。

我不确定 Unet（我会检查）但您可能有一些 onnx 不支持的操作（请分享您的错误）。

这是 Resnet-50 的示例。

转换为 .pb：

import tensorflow as tf
import keras
from tensorflow.keras.models import Model
import keras.backend as K
K.set_learning_phase(0)

def keras_to_pb(model,output_filename,output_node_names):

   """
   This is the function to convert the Keras model to pb.

   Args:
      model: The Keras model.
      output_filename: The output .pb file name.
      output_node_names: The output nodes of the network. If None,then
      the function gets the last layer name as the output node.
   """

   # Get the names of the input and output nodes.
   in_name = model.layers[0].get_output_at(0).name.split(':')[0]

   if output_node_names is None:
       output_node_names = [model.layers[-1].get_output_at(0).name.split(':')[0]]

   sess = keras.backend.get_session()

   # The TensorFlow freeze_graph expects a comma-separated string of output node names.
   output_node_names_tf = ','.join(output_node_names)

   frozen_graph_def = tf.graph_util.convert_variables_to_constants(
       sess,sess.graph_def,output_node_names)

   sess.close()
   wkdir = ''
   tf.train.write_graph(frozen_graph_def,wkdir,as_text=False)

   return in_name,output_node_names

# load the ResNet-50 model pretrained on imagenet
model = keras.applications.resnet.ResNet50(include_top=True,weights='imagenet',input_tensor=None,input_shape=None,pooling=None,classes=1000)

# Convert the Keras ResNet-50 model to a .pb file
in_tensor_name,out_tensor_names = keras_to_pb(model,"models/resnet50.pb",None) 

然后需要将.pb模型转换为ONNX格式。为此，您需要安装 tf2onnx。 示例：

python -m tf2onnx.convert  --input /Path/to/resnet50.pb --inputs input_1:0 --outputs probs/Softmax:0 --output resnet50.onnx 

最后一步从 ONNX 文件创建 TensorRT 引擎：

import tensorrt as trt

TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
trt_runtime = trt.Runtime(TRT_LOGGER)
def build_engine(onnx_path,shape = [1,224,3]):

   """
   This is the function to create the TensorRT engine
   Args:
      onnx_path : Path to onnx_file. 
      shape : Shape of the input of the ONNX file. 
  """
   with trt.Builder(TRT_LOGGER) as builder,builder.create_network(1) as network,trt.OnnxParser(network,TRT_LOGGER) as parser:
       builder.max_workspace_size = (256 << 20)
       with open(onnx_path,'rb') as model:
           parser.parse(model.read())
       network.get_input(0).shape = shape
       engine = builder.build_cuda_engine(network)
       return engine

def save_engine(engine,file_name):
   buf = engine.serialize()
   with open(file_name,'wb') as f:
       f.write(buf)
def load_engine(trt_runtime,plan_path):
   with open(engine_path,'rb') as f:
       engine_data = f.read()
   engine = trt_runtime.deserialize_cuda_engine(engine_data)
   return engine

我建议你检查这个Pytorch TRT Unet implementation