机器学习工作流程

机器学习工作流程

机器学习（ML）工作流是旨在加速Isaac SDK采纳ML的代码和示例的集合。这些示例使用Tensorflow框架进行培训，但是相同的原理和代码也应与其他ML框架（如PyTorch）一起使用。

模拟训练

培训数据很难收集且难以标注。合并来自仿真的合成数据可以加快该过程。在 自由空间分割部分介绍了与Unity3D合成数据训练样本ML车型。

在PC和Edge设备上的推断

Isaac SDK中提供了三个可能的运行时，以在Jetson TX2 / Xavier和PC上对经过训练的ML模型进行推断。所有示例均可在两个平台上编译并运行。

用Tensorflow推断

Tensorflow是Google流行的ML框架，可用于此处介绍的示例中的训练。Isaac SDK还可以与Tensorflow运行时一起使用，以按原样执行经过训练的模型的推断。

该立体深度DNN节礼物与Tensorflow执行推断示例应用程序。

有关在Isaac中使用Tensorflow的更多信息，请参考 TensorflowInference Codelet，其API参考isaac.ml.TensorflowInference 和Tensorflow开发人员指南。

注意
请注意，Tensorflow需要大量资源，这可能会导致系统紧张，并需要一些时间才能在资源有限的边缘设备上加载。

用TensorRT推理

TensorRT是NVIDIA的深度学习推理优化工具和运行时。它旨在提供低延迟和高吞吐量。它支持所有主要框架的模型，包括Tensorflow，Caffe 2，Chainer，Microsoft Cognitive Toolkit，MxNet和PyTorch。

有关在Isaac中使用TensorRT的更多信息，请参考 TensorRT推断代码，其API参考isaac.ml.TensorflowInference和 TensorRT开发人员指南。

火炬推论

Torch Torch是一个科学的计算框架，广泛支持深度学习算法。借助简单快速的脚本语言，Lua和底层C / CUDA实现，Torch易于使用且高效。

有关使用Torch的更多信息，请参阅Torch推理API参考 isaac.ml.TorchInference和Torch文档。

样品

开发，训练和调整深度学习模型需要大量的数据和计算能力。此类繁重的任务预计将由云或计算集群中的存储和GPU执行，而真正的机器人应用程序将在计算能力有限的边缘设备上运行。

从数据收集一直到机器人的深度学习模型部署，整个流程都非常顺畅，可加快机器人应用程序的开发速度。

PyCodelet

许多ML开发人员都精通Python。PyCodelet有助于在Python中与Isaac SDK之间的数据传输。

/apps/engine/pyalice/tests/pycodelet_test.py

ML开发人员可以使用PyCodelet在Python中进行编码，而不必在C ++中对Codelet进行编码。首先，需要将基于Python的小码声明为的子类alice.Codelet。

class MyPyCodeletProducer(Codelet):

就像++基于C的小码，显影剂需要重写3个成员函数： start()，tick()和stop()。 tick将消息到达或超时时定期调用，而 start()和stop()将当小码进入或退出运行状态被调用。

尽管Python Codelet与C ++ Codelet具有相似的概念，但仍存在一些细微差异：

• Python Codelet需要通过isaac_proto_tx()和显式检索消息的挂钩 isaac_proto_rx()。
• Python Codelet需要get_proto() 通过init_proto()挂钩从显式检索消息并通过显式创建消息。
• 为了方便在应用程序中使用Python Codelet，将通过以下JSON规范创建Python Codelet的节点alice.loadGraphFromFile()。

{
  "name": "foo_node",
  "components": [
    {
      "name": "ml",
      "type": "isaac::alice::MessageLedger"
    },
    {
      "name": "isaac.alice.PyCodelet",
      "type": "isaac::alice::PyCodelet"
    }
  ]
}

alice.register_pycodelets() 稍后明确调用，以使用如下所示的映射将Python Codelet绑定到这些节点。

{
  "producer": MyPyCodeletProducer,
  "consumer": MyPyCodeletConsumer
}

Python Codelet可以通过JSON访问参数。检查python_ping以获取示例。

支持代码

Tensorflow推理代码

TensorflowInference小码采用经过训练的Tensorflow冻结模型，并在Isaac SDK应用程序中运行推理。输入和输出消息都是消息TensorList列表 TensorProto。小码采用几个参数，如球分割推断应用程序的配置所示：

"model_file_path": "/tmp/ball_segmentation/ckpts/model-0-frozen.pb",
"config_file_path": "",
"input_tensor_info": [
  {
    "ops_name": "input",
    "index": 0,
    "dims": [1, 256, 512, 3]
  }
],
"output_tensor_info": [
  {
    "ops_name": "output",
    "index": 0,
    "dims": [1, 256, 512, 1]
  }
]

• model_file_path-指向Tensorflow冻结模型以在应用程序中运行。有关冻结模型的更多信息，请参阅 TensorFlow NVIDIA GPU加速容器和Tensorflow工具。
• config_file_path-指向包含用于配置Tensorflow运行时的Tensorflow ConfigProto对象的protobuf文件。使用以下命令作为自定义的起点。

python -c "import tensorflow as tf; f=open('config_proto.pb', 'w');f.write(tf.ConfigProto(allow_soft_placement=True, gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.5)).SerializeToString()); f.close()"

• input_tensor_info-输入张量规格列表。每个规范都包括操作名称（如NodeDef中所示），操作中输入的索引以及张量尺寸。

  例如，以下代码指定三个输入张量：

"input_tensor_info": [
  {
    "ops_name": "input_color",
    "dims": [1, 3, 256, 512],
    "index": 0
  },
  {
    "ops_name": "input_color",
    "dims": [1, 3, 256, 512]
    "index": 1
  },
  {
    "ops_name": "input_depth",
    "dims": [1, 1, 256, 512]
    "index": 0
  }
]

• output_tensor_info-输出张量规格列表。每个规范都包括操作名称（如NodeDef中所示），操作内输出的索引以及张量尺寸。

  例如，以下代码指定操作的输出张量：

"output_tensor_info": [
 {
   "ops_name": "Predictions/Reshape",
   "dims": [1, 1001],
   "index": 0
 }
]

TensorRT推理代码

TensorRT推理小代码采用TensorRT .plan，.uff或.onnx模型，并在GPU上的Isaac SDK应用程序中运行推理。输入和输出消息都是TensorList，这是TensorProto消息列表。

TensorRT推断采用以下参数：

• model_file_path.-UFF或ONNX格式的设备不可知模型的路径。UFF模型可以通过UFF转换器工具创建，也可以从Tensorflow GraphDef，Frozen Protobuf模型或Keras模型转换而来。使用此工具的示例代码和Bazel构建步骤可在上找到packages/ml/tools。该ONNX格式是一种开放格式，并通过Caffe2，MXNet和PyTorch支持，与出口ONNX可用于所有主要框架。另请参阅：ONNX教程。

  注意

  如果在默认位置或指定位置找到了特定于设备的序列化引擎文件，则将忽略模型文件（请参见下文）。

• model_file_path（可选）-特定于设备的序列化TensorRT引擎的路径。引擎可以通过Isaac TensorRT小码自动创建，也可以在首次在目标设备上启动时从模型中创建。目标设备的转换过程和优化过程可能需要几秒钟到几分钟，这取决于模型的大小和系统的性能。或者，可以将引擎预先缓存在设备上。

  如果未指定此参数，则默认设置为“模型文件路径”，扩展名替换为.plan。

注意
引擎文件（如果存在）优先于模型文件。

注意
该引擎无法在不同设备，不同版本的TensorRT或不同版本的CuDNN库之间移植。

• input_tensor_info-输入张量规格列表。每个规范都包括操作名称（如NodeDef中所示），张量尺寸和可选参数。

  举个例子，以下代码指定两个输入张量：

"input_tensor_info": [
 {
   "operation_name": "input_1",
   "dims": [1, 3, 256, 512]
 },
 {
   "operation_name": "input_2",
   "dims": [1, 3, 256, 512]
 }
]

**输入张量规格参数**

*   `operation_name` -要在模型图中查找的操作的名称。

*   `dims`-张量尺寸。注意：在TensorRT文档中，单个张量尺寸可能由以下名称表示：

"dims": [Batch Size, Channel, Rows, Columns]

    *   批次大小（可选，默认= 1）-批次中的样本数。

       >  注意
        要指定可变的批量大小，请将此参数设置为-1。还必须设置最大批量大小参数（请参见下文）。

    *   通道-图像通道或矢量分量的数量。

    *   行数（可选）-矩阵的行数（或图像的高度）。

    *   列（可选）-矩阵的列数（或图像的宽度）。

    例如，假设在320x200x3（RGB）图像上训练了TensorFlow / Keras模型。此类模型的正确设置如下：

"dims": [1, 3, 200, 320]

    注意

    虽然模型训练期间的输入顺序（或权重内存布局）可以使用以下两种格式之一，但是此小码 在推断时仅支持输入张量的channels_first格式，而与原始框架的输入顺序无关：

    *   channels_last：将Channel作为张量的最后一个索引。TensorRT文档将此称为“ NHWC”布局（批号，高度，宽度，通道）。例如，。`[1, 200, 320, 3]`
    *   channels_first：使用Channel作为张量的第一个（或第二个）索引。TensorRT文档将此称为“ NCHW”布局（批号，通道，高度，宽度）。例如，。`[1, 3, 200, 320]`

   >  注意
    “批量大小”张量尺寸设置为1，在该示例中可以省略。

模型分析器使用此输入张量规范列表来剪切

图的一部分，用于推理，设置可变大小的输入的尺寸并执行内存分配。它也可以在推理时使用，以验证输入张量的等级和大小。

输入张量规范应符合：

• Isaac图中前一个节点的输出。 输入张量规范的张量等级和尺寸应与前一个节点的输出相匹配。前一个节点的输出的“批处理大小”应小于或等于引擎的最大批处理大小。

  如果未设置“批次大小”，则先前的节点输出也应将其忽略：

"input_tensor_info": [
  {
    "dims": [3, 256, 512]
...

"isaac.ml.TensorReshape": {
  "output_tensors_dimension": [[3, 256, 512]]

• 正在解析的训练模型的规范。 该模型应包含大小固定为匹配输入张量规范或可变大小（-1）的匹配节点。

• TensorRT的局限性。 TensorRT当前仅支持以下输入存储器布局：

  • （批量大小，通道，行，列），例如[1、3、480、640]；
  • （通道，行，列），例如[3，480，640]；
  • （批量大小，通道），例如[1，1024]；
  • （频道），例如[1024]。

  注意

  图像的 TensorRT输入顺序是色平面，而不是混合的颜色通道阵列（即不是RGB）。通常，它需要将图像转换为色彩平面格式或通道轴的转置。这可以通过选择相关的图像编码顺序来实现，例如：

"tensor_encoder": {
  "isaac.ml.ColorCameraEncoder": {
    "rows": 480,
    "cols": 640,
    "pixel_normalization_mode": "PositiveNegative",
    "tensor_index_order": "201"
  }

• output_tensor_info-输出张量规格列表。每个规范都包括操作名称（如NodeDef）和张量尺寸。

  例如，以下代码指定一个输出张量：

"output_tensor_info": [
  {
    "operation_name": "output",
    "dims": [1, 1001]
  }
]

另请参见上面的输入张量规范。

• max_batch_size（可选）-将针对其调整引擎的批量大小。在执行时，可以使用较小的批次，但不能较大。默认设置为“ -1”，它指定将使用输入张量大小来推断最大批处理大小。注意：此参数会影响GPU内存分配量和引擎性能。

  输入和输出张量规范应具有相同的批量大小。该批次大小应小于或等于模型的“最大批次大小”。

  如果批量大小等于1，则可以缩回该尺寸，例如：

"dims": [1, 256, 512, 1]

批次大小等于1，并且第一个尺寸可以缩回：

"dims": [256, 512, 1]

这可以避免TensorReshape操作。

如果设置了最大批处理大小，则此尺寸也可以设置为-1，例如：

"dims": [-1, 256, 512, 1]

在这种情况下，尺寸将在运行时设置。这样可以支持可变的批量大小。

注意

最大批次大小用于引擎优化步骤，为获得最佳性能，建议将其设置为推理时使用的实际值。

• max_workspace_size（可选）-将为其调整引擎的临时GPU内存大小。层算法通常需要临时工作空间。此参数限制网络中任何层可以使用的最大大小。如果提供的刮擦不足，则TensorRT可能无法找到给定层的实现。..注意：：此参数影响分配的GPU内存量和引擎性能。

• inference_mode（可选）-设置是否允许使用8位和16位内核。-Float16（默认）-在引擎构建期间，启用此模式时，将尝试fp16内核。-Float32-在引擎构建期间，仅允许使用fp32内核。

• device_type（可选）-设置此层/网络将在其上执行的默认设备，GPU或DLA。-GPU（默认）-在引擎构建期间，GPU将被设置为默认设备。-DLA-在引擎构建期间，DLA引擎将用作默认设备。

• allow_gpu_fallback （可选）-如果无法在DLA上执行此层/网络，则允许回退到GPU。

• force_engine_update（可选）-强制更新CUDA引擎，即使存在输入或缓存的.plan文件也是如此。调试功能。

• plugins_lib_namespace（可选）-使用可选的名称空间初始化所有现有TensorRT插件并将其注册到Plugin Registry。要启用插件，请设置plugins_lib_namespace参数。空字符串是此参数的有效值，它指定默认的 TensorRT命名空间：

"plugins_lib_namespace": "",

> 注意
允许访问插件注册表的函数（initLibNvInferPlugins）应该仅被调用一次。为了防止从多个TensorRT推理小码实例调用此函数，请仅包括单个小码实例的Plugins Namespace参数。

• verbose（可选）-启用详细日志输出。此选项启用DNN优化进度的日志记录。默认情况下禁用它，以增加默认设置下的日志文件可用性。调试功能。

球分割推理应用程序配置示例：

"model_file_path": "external/ball_segmentation_model/model-9000-trimmed.uff",
"engine_file_path": "external/ball_segmentation_model/model-9000-trimmed.plan",
"input_tensor_info": [
  {
    "operation_name": "input",
    "dims": [1, 3, 256, 512]
  }
],
"output_tensor_info": [
  {
    "operation_name": "output",
    "dims": [1, 256, 512, 1]
  }

SampleAccumulator Codelet

SampleAccumulator小码是一个组件，用于缓冲来自模拟器的合成数据。使用Python绑定，SampleAccumulator可以用作用于训练ML模型的张量流数据集。

SampleAccumulator采用一个参数，即要保留在缓冲区中的最大样本数。

"sample_buffer_size": 500

SampleAccumulatorViewer代码

SampleAccumulatorViewer小代码可视化在SampleAccumulator实例中排队的模拟数据。它在父节点中搜索SampleAccumulator实例，并可视化其队列缓冲区。

SampleAccumulatorViewer采用以下参数：

• 网格大小： 2个正整数的数组，指定要在高度和宽度上堆叠多少图像。
• 马赛克大小： 2个正整数的数组，指定生成的可视化图像的高度和宽度（以像素为单位）。
• 报价周期：可视化更新频率。

"mosaic_samples": {
  "isaac.viewers.SampleAccumulatorViewer": {
    "grid_size": [8, 8],
    "mosaic_size": [1080, 1920],
    "tick_period": "100ms"
  },
  "isaac.ml.SampleAccumulator": {
    "sample_buffer_size": 64
  }
},

张量

在Isaac SDK中，Tensor数据作为的消息进行存储和传递TensorProto，这与Tensorflow中使用的numpy ndarray数据相对应。ML需要进行转换以容纳其他数据格式，例如图像。请参阅IsaacSDK/packages/ml/ColorCameraEncoderCpu.cpp示例。