（ Tencent -TNN 学习）pytorch模型部署到移动端
记录分为
- pytorch2onnx
- onnx2tnn
- tnn结果验证
- 移动端（安卓）使用
1、pytorch2onnx
环境：
pytorch 1.4.0
onnx 1.6.0 (转换)
onnxruntime 1.3.0 （测试）
onnx-simplifier 0.2.9 （模型量化，不执行后续报错了，我测试是这样的）
转换代码：
import onnx
import torch
from test_net import TestModel
import numpy as np
import cv2
if 1:
torch_model = TestModel("model.pt")
torch_model.eval()
batch_size = 1 #批处理大小
input_shape = (3,384,384) #输入数据
# set the model to inference mode
# torch_model.eval()
x = torch.randn(batch_size,*input_shape) # 生成张量
export_onnx_file = "./model.onnx" # 目的ONNX文件名
torch.onnx.export(torch_model,
x,
export_onnx_file,
export_params=True,
opset_version=11,
do_constant_folding=True, # wether to execute constant folding for optimization
input_names = ['input'], # the model's input names
output_names = ['output'], # the model's output names
dynamic_axes={'input' : {0 : 'batch_size'}, # variable lenght axes
'output' : {0 : 'batch_size'}}
)
print ('get onnx ok!')
利用 onnxruntime 测试转换的模型:
import onnxruntime
import imageio
import time
(width, height) = (384,384)
cap = cv2.VideoCapture(0)
while 1:
ret,img = cap.read()
time_start = time.time()
if img is None:
print('no image input!')
break
if img.ndim == 2:
img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
in_height ,in_width ,_ = img.shape
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) / 255.0
img_resized = cv2.resize(img, (width, height), interpolation=cv2.INTER_AREA)
img_resized = (
torch.from_numpy(np.transpose(img_resized, (2, 0, 1))).contiguous().float()
)
value = img_resized.unsqueeze(0)
def to_numpy(tensor):
return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy()
ort_session = onnxruntime.InferenceSession("model.onnx")
ort_inputs = {ort_session.get_inputs()[0].name: (to_numpy(value)).astype(np.float32)}
#Actual: (N11onnxruntime17PrimitiveDataTypeIdEE) , expected: (N11onnxruntime17PrimitiveDataTypeIfEE)
#传入数据类型不对
ort_outs = ort_session.run(None, ort_inputs)
result = ort_outs[0][0, 0, :, :]
result = np.array(result)
print (result.shape)
reslut_resized = cv2.resize(
result, (in_width, in_height), interpolation=cv2.INTER_AREA
)
print('cost : %.3f (s)'%(time.time() - time_start))
cv2.namedWindow('re',2)
cv2.imshow('re',reslut_resized)
if cv2.waitKey(1) ==27:
break
cap.release()
cv2.destroyAllWindows()
模型简化操作：
python -m onnxsim model10.onnx model_sim.onnx --input-shape 1,3,384,384
2、onnx2tnn
参考TNN官方文档
- 下载tnn源码，https://github.com/Tencent/TNN ；进入
~/TNN-master/tools/onnx2tnn/onnx-converter 文件夹，运行 ./build 进行编译。
2.运行命令进行转换
python onnx2tnn.py model/model_sim.onnx -version=algo_version -optimize=1
结果为：
algo_optimize 1
onnx_net_opt_path /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.opt.onnx
1.----onnx_optimizer: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.onnx
/home/jiang/TNN-master/tools/onnx2tnn/onnx-converter
----load onnx model: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.onnx
----onnxsim.simplify error: You'd better check the result with Netron
----onnxsim.simplify error: RuntimeError'>
----export optimized onnx model: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.opt.onnx
----export optimized onnx model done
2.----onnx2tnn: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.opt.onnx
get_node_attr_ai [Line 116] name :546
get_node_attr_ai [Line 116] name :585
get_node_attr_ai [Line 116] name :624
get_node_attr_ai [Line 116] name :663
get_node_attr_ai [Line 116] name :693
TNNLayerParam [Line 61] resize: coordinate_transformation_mode(pytorch_half_pixel) is not supported, result may be different.
3.----onnx2tnn status: 0
出现了错误----onnxsim.simplify error: You’d better check the result with Netron
----onnxsim.simplify error:
参数 algo_optimize=0即不进行优化就不保存转换成功。
3、tnn结果验证
1）、TNN编译，不同平台库编译见链接。以下为安卓库编译：
环境要求
- 依赖库
cmake（使用3.6及以上版本）
sudo apt-get install attr
-
NDK配置
下载ndk版本(>=15c) https://developer.android.com/ndk/downloads
配置环境变量 :
sudo gedit ~/.bashrc
#ndk
export ANDROID_NDK=/home/jiang/Android/android-ndk-r21b
export PATH= P A T H : {PATH}: PATH:ANDROID_NDK
#tnn
export TNN_ROOT_PATH=/home/jiang/TNN-master export
PATH= P A T H : {PATH}: PATH:TNN_ROOT_PATH
source ~/.bashrc
- 编译
切换到~/TNN-master/scripts下，修改脚本 build_android.sh;然后再执行./build_android.sh进行编译。
ABIA32=“armeabi-v7a with NEON”
ABIA64=“arm64-v8a”
STL=“c++_static”
SHARED_LIB=“ON” # ON表示编译动态库，OFF表示编译静态库
ARM=“ON” # ON表示编译带有Arm CPU版本的库
OPENMP=“ON” # ON表示打开OpenMP
OPENCL=“ON” # ON表示编译带有Arm GPU版本的库
SHARING_MEM_WITH_OPENGL=0 # 1表示OpenGL的Texture可以与OpenCL共享
编译完成后，在当前目录的release目录下生成对应的armeabi-v7a库，arm64-v8a库和include头文件。
2）tnn模型验证
进入examples/linux，编译./build_linux
- 报错1：
/home/jiang/TNN-master/TNN-master/examples/base/tnn_sdk_sample.cc: In function ‘void tnn::NMS(std::vectortnn::ObjectInfo&, std::vectortnn::ObjectInfo&, float, tnn::TNNNMSType)’:
/home/jiang/TNN-master/TNN-master/examples/base/tnn_sdk_sample.cc:727:10: error: ‘sort’ is not a member of ‘std’; did you mean ‘sqrt’?
727 | std::sort(input.begin(), input.end(), [](const ObjectInfo &a, const ObjectInfo &b) { return a.score > b.score; });
解决办法：
在 tnn_sdk_sample.cc 文件头增加: #include
- 报错2
/usr/bin/ld: 找不到 -lTNN
collect2: error: ld returned 1 exit status
make[2]: *** [CMakeFiles/demo_arm_linux_facedetector.dir/build.make:279：demo_arm_linux_facedetector] 错误 1
make[1]: *** [CMakeFiles/Makefile2:78：CMakeFiles/demo_arm_linux_facedetector.dir/all] 错误 2
make[1]: *** 正在等待未完成的任务…
[100%] Linking CXX executable demo_arm_linux_imageclassify
/usr/bin/ld: 找不到 -lTNN
collect2: error: ld returned 1 exit status
make[2]: *** [CMakeFiles/demo_arm_linux_imageclassify.dir/build.make:279：demo_arm_linux_imageclassify] 错误 1
make[1]: *** [CMakeFiles/Makefile2:105：CMakeFiles/demo_arm_linux_imageclassify.dir/all] 错误 2
make: *** [Makefile:84：all] 错误 2
解决办法：
1、编译tnn； 在tnn目录下，执行 cmake . ; make
编译成功后出现 libTNN.so
2、sudo ln -s libTNN.so /usr/lib/libTNN.so 软链接到lib下
（我软链接总是说失效，然后直接cp过去的）
编译成功后，build_linux文件夹下出现 demo_arm_linux_facedetector、demo_arm_linux_imageclassify，也就是官方的例子…