https://www.bilibili.com/video/BV12a411H73Q/
PPYOLOE是百度提出的单阶段Anchor-free模型，超越了多种YOLO模型，本仓库实现PPYOLOE端到端的Tensorrt部署。
- Tensorrt 8.4.1.5
- Cuda 10.2 Cudnn 8.4.1
- onnx 1.8.0
- onnx-simplifier 0.3.10
- onnx-graphsurgeon 0.3.19
- Torch 1.10.0
| Model | Size | mAPval 0.5:0.95 | GTX1650 FP16(ms) | ONNX (EfficientNMS) |
|---|---|---|---|---|
| PPYOLOE-S | 640 | 43.0 | 10.4 | model |
| PPYOLOE-M | 640 | 49.0 | 18.4 | model |
| PPYOLOE-L | 640 | 51.4 | 28.3 | model |
| PPYOLOE-X | 640 | 52.3 | 48.9 | model |
说明：此处FP16预测时间包含preprocess+inference+nms，测速方法为warmup10次，预测100次取平均值，并未使用trtexec测速，与官方测速不同；mAPval为原始Paddle模型精度，转换后精度未测试。
下载PaddleDetection仓库，安装相关依赖，并导出训练模型。因为初始NMS中部分算子不支持Tensorrt，需要转换，所以导出时设置exclude_nms=True，去除NMS。
git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection
python3 tools/export_model.py \
-c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml \
-o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_s_300e_coco.pdparams \
trt=True \
exclude_nms=True \
TestReader.inputs_def.image_shape=[3,640,640] \
--output_dir inference_model
安装paddle2onnx，并通过下方命令导出onnx模型。
paddle2onnx --model_dir inference_model/ppyoloe_crn_s_300e_coco \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--save_file examples/ppyoloe_crn_s_300e_coco.onnx \
--input_shape_dict "{'image':[1, 3, 640, 640], 'scale_factor': [1, 2]}"
使用本仓库中EfficientNMS_TRT.py，为onnx模型添加EfficientNMS算子,注意修改文件头部常量。
INPUT_PATH = './onnx_model/ppyoloe_crn_s_300e_coco.onnx'
WEIGHTS_TYPE = "s"
SAVE_PATH = "./onnx_model/ppyoloes_nms.onnx"
CLASS_NUM = 80
SCORE_THRESHOLD = 0.5
IOU_THRESHOLD = 0.4
python EfficientNMS_TRT.py
使用Tensorrt官方工具trtexec转化添加完EfficientNMS的onnx模型。FP32预测删除--fp16参数即可。
trtexec --onnx=./ppyoloes_nms.onnx --saveEngine=./ppyoloes_nms_fp16.engine --fp16 --workspace=30
等待生成序列化模型后，修改本仓库infer.py模型路径和图片路径。
trt_engine = TRT_engine("./trt_model/ppyoloes_nms_fp16.engine")
img1 = cv2.imread("./pictures/zidane.jpg")
python infer.py
https://github.com/PaddlePaddle/PaddleDetection
https://github.com/ultralytics/yolov5