Tensorrt部署BBAVectors从入门到入坟
本博客将从标图到最终采用tensorrt部署BBAVectors，一步一步手把手教你如何成为一个合格的算法搬运工。BBAVectors是一款用于旋转框目标检测的神经网络，采用anchor-free机制，地址：见这里，具体原理我就不说了，关于这个网络的中文博客百度一大堆。直接进入实操。。。。这个博客原则上需要具有一定深度学习能力的搬运工食用，指能够熟练torch，opencv，cuda，cudnn，tensorrt的安装与部分使用。
目录
一、模型训练与onnx转换
1.数据标注
2.标签转换
3.模型训练
3.1 编译安装
3.2 数据分割
3.3 划分训练集与验证集
3.4 模型训练
4.生成onnx模型
二、Tensorrt模型转换
1.编译安装
2.生成engine文件
3.tensorrt推理
三、参考
硬件：GTX1080TI，cuda10.2，cudnn8.1，tensorrt8.0，torch1.8.1
一、模型训练与onnx转换
原作者的代码我为了将decoder加入到onnx中，对里面的代码进行了修改，直接上我修改后的代码。代码地址：这里
1.数据标注
标注软件为rolabelimg，标注方法见这里，直接百度爬取到番茄来搞，我们检测番茄及其方向。标注如图所示。
2.标签转换
将标注好的xml文件，转换为DOTA_devkit的dota格式，如下：
txt的格式为：Format: x1, y1, x2, y2, x3, y3, x4, y4, category, difficulty
275.0 463.0 411.0 587.0 312.0 600.0 222.0 532.0 tomato 0
341.0 376.0 487.0 487.0 434.0 556.0 287.0 444.0 tomato 0
428.0 6.0 519.0 66.0 492.0 108.0 405.0 50.0 tomato 0
代码如下：
# *_* coding : UTF-8 *_*
# 功能描述 ：把旋转框 cx,cy,w,h,angle，转换成四点坐标x1,y1,x2,y2,x3,y3,x4,y4,class,difficulty
import os
import xml.etree.ElementTree as ET
import math
label=['tomato']
def edit_xml(xml_file):
"""
修改xml文件
:param xml_file:xml文件的路径
:return:
"""
print(xml_file)
tree = ET.parse(xml_file)
f=open(xml_file.replace('xml','txt').replace('anns','labelTxt'),'w')
objs = tree.findall('object')
for ix, obj in enumerate(objs):
obj_type = obj.find('type')
type = obj_type.text
if type == 'bndbox':
obj_bnd = obj.find('bndbox')
obj_xmin = obj_bnd.find('xmin')
obj_ymin = obj_bnd.find('ymin')
obj_xmax = obj_bnd.find('xmax')
obj_ymax = obj_bnd.find('ymax')
xmin = float(obj_xmin.text)
ymin = float(obj_ymin.text)
xmax = float(obj_xmax.text)
ymax = float(obj_ymax.text)
obj_bnd.remove(obj_xmin) # 删除节点
obj_bnd.remove(obj_ymin)
obj_bnd.remove(obj_xmax)
obj_bnd.remove(obj_ymax)
x0 = xmin
y0 = ymin
x1 = xmax
y1 = ymin
x2 = xmin
y2 = ymax
x3 = xmax
y3 = ymax
elif type == 'robndbox':
obj_bnd = obj.find('robndbox')
obj_bnd.tag = 'bndbox' # 修改节点名
obj_cx = obj_bnd.find('cx')
obj_cy = obj_bnd.find('cy')
obj_w = obj_bnd.find('w')
obj_h = obj_bnd.find('h')
obj_angle = obj_bnd.find('angle')
cx = float(obj_cx.text)
cy = float(obj_cy.text)
w = float(obj_w.text)
h = float(obj_h.text)
angle = float(obj_angle.text)
x0, y0 = rotatePoint(cx, cy, cx - w / 2, cy - h / 2, -angle)
x1, y1 = rotatePoint(cx, cy, cx + w / 2, cy - h / 2, -angle)
x2, y2 = rotatePoint(cx, cy, cx + w / 2, cy + h / 2, -angle)
x3, y3 = rotatePoint(cx, cy, cx - w / 2, cy + h / 2, -angle)
classes=int(obj.find('name').text)
axis=list([str(x0),str(y0),str(x1), str(y1),str(x2), str(y2),str(x3), str(y3),label[classes],'0'])
bb = " ".join(axis)
f.writelines(bb)
f.writelines("\n")
f.close()
# 转换成四点坐标
def rotatePoint(xc, yc, xp, yp, theta):
xoff = xp - xc;
yoff = yp - yc;
cosTheta = math.cos(theta)
sinTheta = math.sin(theta)
pResx = cosTheta * xoff + sinTheta * yoff
pResy = - sinTheta * xoff + cosTheta * yoff
return int(xc + pResx), int(yc + pResy)
if __name__ == '__main__':
for path in os.listdir('anns/'):
edit_xml('anns/'+path)
转换好之后，新建images与labelTxt文件夹，把图片与标签复制过去，最终目录为：
data_dir/images/*.jpg
data_dir/labelTxt/*.txt
3.模型训练
3.1 编译安装
这里默认你已经下好了我修改后的BBAVectors代码，这个时候你只需要cd到DOTA_devkit文件夹下，用下面几行代码就能安装好需要的polyiou。
sudo apt-get install swig
swig -c++ -python polyiou.i
python setup.py build_ext --inplace
3.2 数据分割
BBAVectors要求输入的图片是矩形的，为此需要采用DOTA_devkit的ImgSplit_multi_process.py转换为512x512的图像输入。最终得到的目录如下：
data_dir/split/images/*.jpg
data_dir/split/labelTxt/*.txt
代码如下：
3.3 划分训练集与验证集
主要是生成train.txt与val.txt,代码如下
# -*- coding: utf-8 -*-
import os
import random
# obb data split
annfilepath=r'/split/labelTxt/'
saveBasePath=r'split/'
train_percent=0.95
total_file = os.listdir(annfilepath)
num=len(total_file)
list=range(num)
tr=int(num*train_percent)
train=random.sample(list,tr)
ftrain = open(os.path.join(saveBasePath,'train.txt'), 'w')
fval = open(os.path.join(saveBasePath,'val.txt'), 'w')
for i in list:
name=total_file[i].split('.')[0]+'\n'
if i in train:
ftrain.write(name)
else:
fval.write(name)
ftrain.close()
fval.close()
print("train size",tr)
print("valid size",num-tr)
最终得到的目录如下，我的test.txt是直接复制的val.txt：
data_dir/split/images/*.jpg
data_dir/split/labelTxt/*.txt
data_dir/split/train.txt
data_dir/split/val.txt
data_dir/split/test.txt
3.4 模型训练
如果你要更换数据集，需要改以下几个地方
1.datasets/dataset_dota.py ---self.category改成自己的类别；----self.color_pans改为对应的数量。
2.main.py ---修改data_dir路径；---num_classes = {'dota': 1, 'hrsc': 1}，修改dota的类别数；---以及其他训练参数
修改完成后运行main.py即可
4.生成onnx模型
通过上面训练后，我们weights_dota文件夹下得到了model_best.pth,现在运行export_onnx.py，将会生成model_best.onnx，采用Netron打开这个onnx模型，可以看到input是1x3x512x512，output是1x500x12，解析如下：输出是500个box ，每个box的有12个属性，前2个是中心点，然后8个是框框的各种长度，剩下两个参数分别是置信度得分和类别。知道输出是什么，才能做后续的输出后处理。
顺便计算一下模型推理时间，平均下来是43ms。
二、Tensorrt模型转换
为了方便使用，我已经把代码打包好了，你只需要下载即可使用，代码链接在评论区里面。文件包括
1.编译安装
这里默认你已经装好了cuda10.2、cudnn8.2、opencv4.5、tensorrt8.0，cmake3.15，等一下其他组件，采用下面方法进行编译
cd 到下来解压后的目录
mkdir build
cd build
cmake ..
make 2.生成engine文件
生成engine需要用到tensorrt的NvOnnxParser，对上面生成onnx模型进行解析，main1_onnx2trt.cpp代码如下：
#include
#include "logging.h"
#include "NvOnnxParser.h"
#include "NvInfer.h"
#include
using namespace nvinfer1;
using namespace nvonnxparser;
static Logger gLogger;
int main(int argc,char** argv) {
IBuilder* builder = createInferBuilder(gLogger);
const auto explicitBatch = 1U << static_cast(NetworkDefinitionCreationFlag::kEXPLICIT_BATCH);
INetworkDefinition* network = builder->createNetworkV2(explicitBatch);
nvonnxparser::IParser* parser = nvonnxparser::createParser(*network, gLogger);
const char* onnx_filename = argv[1];
parser->parseFromFile(onnx_filename, static_cast(Logger::Severity::kWARNING));
for (int i = 0; i < parser->getNbErrors(); ++i)
{
std::cout << parser->getError(i)->desc() << std::endl;
}
std::cout << "successfully load the onnx model" << std::endl;
// 2build the engine
unsigned int maxBatchSize = 1;
builder->setMaxBatchSize(maxBatchSize);
IBuilderConfig* config = builder->createBuilderConfig();
//config->setMaxWorkspaceSize(1 << 20);
config->setMaxWorkspaceSize(128 * (1 << 20)); // 16MB
config->setFlag(BuilderFlag::kFP16);
ICudaEngine* engine = builder->buildEngineWithConfig(*network, *config);
// 3serialize Model
IHostMemory *gieModelStream = engine->serialize();
std::ofstream p(argv[2], std::ios::binary);
if (!p)
{
std::cerr << "could not open plan output file" << std::endl;
return -1;
}
p.write(reinterpret_cast(gieModelStream->data()), gieModelStream->size());
gieModelStream->destroy();
//std::ofstream serialize_output_stream;
//serialize_str.resize(gieModelStream->size());
//memcpy((void*)serialize_str.data(), gieModelStream->data(), gieModelStream->size());
//serialize_output_stream.open("../../segment.engine");
//serialize_output_stream << serialize_str;
//serialize_output_stream.close();
std::cout << "successfully generate the trt engine model" << std::endl;
return 0;
} 在1中make之后，会在build生成onnx2trt这个可以执行的文件（windows中的exe），在终端运行
./onnx2trt 目录至/model_best.onnx model_best.engine不出意外的，经过一些时间的运行，会在build文件夹下生成model_best.engine这个文件（最好是是按照我的软件版本安装）。
3.tensorrt推理
主要就是用到opencv与tensorrt中nvinfer这个库了，部分代码如下：
Mat src=imread(argv[2]);
if (src.empty()) {std::cout << "image load faild" << std::endl;return 1;}
int img_width = src.cols;
int img_height = src.rows;
// Subtract mean from image
static float data[3 * INPUT_H * INPUT_W];
Mat pr_img0, pr_img;
cv::resize(src, pr_img,Size(512,512), 0, 0, cv::INTER_LINEAR);
int i = 0;// [1,3,INPUT_H,INPUT_W]
//std::cout << "pr_img.step" << pr_img.step << std::endl;
for (int row = 0; row < INPUT_H; ++row) {
uchar* uc_pixel = pr_img.data + row * pr_img.step;//pr_img.step=widthx3 就是每一行有width个3通道的值
for (int col = 0; col < INPUT_W; ++col)
{
data[i] = (float)uc_pixel[2] / 255.0-0.5;
data[i + INPUT_H * INPUT_W] = (float)uc_pixel[1] / 255.0 - 0.5;
data[i + 2 * INPUT_H * INPUT_W] = (float)uc_pixel[0] / 255.0 - 0.5;
uc_pixel += 3;
++i;
}
}
IRuntime* runtime = createInferRuntime(gLogger);
assert(runtime != nullptr);
bool didInitPlugins = initLibNvInferPlugins(nullptr, "");
ICudaEngine* engine = runtime->deserializeCudaEngine(trtModelStream, size, nullptr);
assert(engine != nullptr);
IExecutionContext* context = engine->createExecutionContext();
assert(context != nullptr);
delete[] trtModelStream;
// Run inference
static float prob[OUTPUT_SIZE];
for (int i = 0; i < 10; i++) {//计算10次的推理速度
auto start = std::chrono::system_clock::now();
doInference(*context, data, prob, 1);
auto end = std::chrono::system_clock::now();
std::cout << std::chrono::duration_cast(end - start).count() << "ms" << std::endl;
}
// 解析数据 输出是500个box 每个box的有12个，前2个是中心点 然后8个是框框的各种长度 剩下两分别是置信度和cls
std::map> m;
auto start = std::chrono::system_clock::now();
for (int position = 0; position < Num_box; position++) {
float *row = prob + position * CLASSES;
//这些都是原python程序里面的
float cen_pt_0 = row[0];
float cen_pt_1 = row[1];
float tt_2 = row[2];
float tt_3 = row[3];
float rr_4 = row[4];
float rr_5 = row[5];
float bb_6 = row[6];
float bb_7 = row[7];
float ll_8 = row[8];
float ll_9 = row[9];
float tl_0 = tt_2 + ll_8 - cen_pt_0;
float tl_1 = tt_3 + ll_9 - cen_pt_1;
float bl_0 = bb_6 + ll_8 - cen_pt_0;
float bl_1 = bb_7 + ll_9 - cen_pt_1;
float tr_0 = tt_2 + rr_4 - cen_pt_0;
float tr_1 = tt_3 + rr_5 - cen_pt_1;
float br_0 = bb_6 + rr_4 - cen_pt_0;
float br_1 = bb_7 + rr_5 - cen_pt_1;
float pts_tr_0 = tr_0 * down_ratio / INPUT_W * img_width;
float pts_br_0 = br_0 * down_ratio / INPUT_W * img_width;
float pts_bl_0 = bl_0 * down_ratio / INPUT_W * img_width;
float pts_tl_0 = tl_0 * down_ratio / INPUT_W * img_width;
float pts_tr_1 = tr_1 * down_ratio / INPUT_H * img_height;
float pts_br_1 = br_1 * down_ratio / INPUT_H * img_height;
float pts_bl_1 = bl_1 * down_ratio / INPUT_H * img_height;
float pts_tl_1 = tl_1 * down_ratio / INPUT_H * img_height;
auto score = row[10];
auto cls = row[11];
if (score < CONF_THRESHOLD)//置信度筛选
continue;
Detection box;
box.conf = score;
box.class_id = cls;
float ploybox[8] = { pts_tr_0, pts_tr_1, pts_br_0, pts_br_1, pts_bl_0, pts_bl_1, pts_tl_0, pts_tl_1 };
for (int i = 0; i < 8; i++) {
box.bbox[i] = ploybox[i];
}
if (m.count(box.class_id) == 0) {
m.emplace(box.class_id, std::vector());
}
m[box.class_id].push_back(box);
}
std::vector res;//最终结果
for (auto it = m.begin(); it != m.end(); it++) {//分别导出每一类的数据 在每一类里面做nms
//std::cout << it->second[0].class_id << " --- " << std::endl;
auto& dets = it->second;
std::sort(dets.begin(), dets.end(), cmp);//按照置信度大小从高到低排序
for (size_t m = 0; m < dets.size(); ++m) {
auto& item = dets[m];
res.push_back(item);
for (size_t n = m + 1; n < dets.size(); ++n) {
if (iou_poly(item.bbox, dets[n].bbox) > NMS_THRESHOLD) {//nms筛选
dets.erase(dets.begin() + n);
--n;
}
}
}
} 在1中make之后，会在build生成trt_infer这个可以执行的文件（windows中的exe），在终端运行
./trt_infer model_best.engine ../samples/test.jpg不出意外的话，会显示下面这个结果，可以看到经过tensorrt推理之后的速度是27ms左右
三、参考
BBAVectors旋转目标检测算法安装部署使用笔记_HNU_刘yuan的博客-CSDN博客
BBAVectors：无Anchor的旋转物体检测方法 - 知乎
40、使用BBAVectors-Oriented-Object-Detection 进行旋转目标检测，并使用mnn和ncnn进行部署_天昼AI实验室的博客-CSDN博客