pytorch 38 对tensorRT、openvino、onnxruntime推理速度进行对比

tensorRT与openvino部署模型有必要么？本博文对tensorRT、openvino、onnxruntime推理速度进行对比，分别在vgg16、resnet50、efficientnet_b1和cspdarknet53四个模型进行进行实验，对于openvino和onnxruntime还进行了cpu下的推理对比。通过实验得出：openvino GPU < onnxruntime CPU << openvino CPU < onnxruntime GPU <= tensorRT GPU。
得出结论：
1、在cpu上因该使用openvino部署，加速效果明显。
2、在gpu上可以适当考虑tensorRT部署，有一定加速效果（对于计算密集的模型加速效果明显）；考虑到工程便捷性，更因使用onnxruntime部署。

同时本实验重点分析tensorRT GPU与onnxruntime GPU下的执行时间差异。发现在计算密集型的vgg上tensorRT加速明显，而在resnet50上加速效果轻微，efficientnet_b1上更次之、cspdarknet53上两种时间近乎相等。可以发现，在对于设计较为合理的模型（对内存传输成本做过优化的模型），tensorRT加速效果并不明显。可以得出结论：模型结构优化与内存传输优化压榨了推理框架的优化空间，使各种加速框架能做的优化有限。

1、初始化模型

基于timm库导出vgg16、resnet50、efficientnet_b1、cspdarknet53四个模型为onnx
timm库的更多使用可以参考 https://blog.csdn.net/a486259/article/details/123525448
注：本来计划测试convit_baseÿ