【课程设计】TensorRT部署DETR项目工程python源码.zip

# DETR tensorRT 部署 detr_onnx：测试图像、测试结果、测试demo脚本 detr_tensorrt：测试图像、测试结果、测试tensorrt脚本、onnx2tensorRT脚本(tensorRT-7.2.3.4) 由于模型较大无法直接上传，onnx和tensorrt [模型文件](https://github.com/cqu20160901/DETR_onnx_tensorRT/releases)。 说明： （1）本示例提供的模型只检测行人，由于训练的时类别写成了3，因此模型输出结果只有第二类是有效的。 （2）本示例不涉及模型训练，训练自己数据可以参考网上教程。我第一次训练没有使用预训练权重，导致模型不收敛最终的AP全为0；第二次加载预训练模型才收敛，加载预训练权重参考网上提供的将模型输出适配成自己的类别。 （3）解决转tensorrt 输出全为 0 的问题。 解决转tensorrt 输出全为 0 问题的[终极方法](https://github.com/cqu20160901/DETR_onnx_tensorRT_V2) ## detr C++ 部署 detr C++ 部署[参考链接](https://github.com/cqu20160901/DETR_tensorRT_Cplusplus)。 ## 转 tensorrt 可能会遇到的问题 （1）导出onnx后转tensorrt 加载不了，建议用onnxsim处理一下。 （2）导出的tensorrt推理输出全为0，这个问题让我费解很久，网上查到也有遇到这个问题的但没有给出解决方案，几度想过放弃。 ## tensorrt 推理输出全为 0 （1）修改onnx模型输出层Gather的参数（在网上看到的修改方法）： ```python graph = gs.import_onnx(onnx.load("./detr_r50_person_sim.onnx")) for node in graph.nodes: # print(node) if node.name == "Gather_2711": print(node) print(node.inputs[1]) node.inputs[1].values = np.int64(5) print(node.inputs[1]) if node.name == "Gather_2713": print(node) print(node.inputs[1]) node.inputs[1].values = np.int64(5) print(node.inputs[1]) onnx.save(gs.export_onnx(graph), 'detr_r50_person_sim_change.onnx') ``` 按照上述修改输出结果还全是0，这下让人崩溃了。 （2）解决输出全为0的问题，转 tensorrt 不使用任何量化，使用 fp32_mode 模式 代码里tensorrt 默认量化是 fp16_mode，将量化方式注释掉输出结果正常。 ```python def get_engine(onnx_model_name, trt_model_name): explicit_batch = 1 << (int)(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH) with trt.Builder(G_LOGGER) as builder, builder.create_network(explicit_batch) as network, trt.OnnxParser(network, G_LOGGER) as parser: builder.max_batch_size = batch_size builder.max_workspace_size = 2 << 30 print('Loading ONNX file from path {}...'.format(onnx_model_name)) with open(onnx_model_name, 'rb') as model: print('Beginning ONNX file parsing') if not parser.parse(model.read()): for error in range(parser.num_errors): print(parser.get_error(error)) print('Completed parsing of ONNX file') print('Building an engine from file {}; this may take a while...'.format(onnx_model_name)) #### # builder.int8_mode = True # builder.int8_calibrator = calib # builder.fp16_mode = True #### print("num layers:", network.num_layers) # last_layer = network.get_layer(network.num_layers - 1) # if not last_layer.get_output(0): # network.mark_output(network.get_layer(network.num_layers - 1).get_output(0))//有的模型需要，有的模型在转onnx的之后已经指定了，就不需要这行 network.get_input(0).shape = [batch_size, 3, imput_h, imput_w] engine = builder.build_cuda_engine(network) print("engine:", engine) print("Completed creating Engine") with open(trt_model_name, "wb") as f: f.write(engine.serialize()) return engine ``` onnx 测试结果  tensorrt 测试结果