算法部署-使用TensorRT部署AlphaPose姿态估计算法-算法加速-项目源码-优质项目实战.zip

## 1. Requirements * CUDA 11.1 * TensorRT 7.2.2 * Python 3.8.5 * Cython * PyTorch 1.8.1 * torchvision 0.9.1 * numpy 1.17.4 (numpy版本过高会出报错) * python-package setuptools >= 40.0 ## 2. Results [AlphaPose](https://github.com/MVIG-SJTU/AlphaPose/blob/master/docs/MODEL_ZOO.md) 存在多个目标检测+姿态估计模型的组合， 本仓库(fork from [AlphaPose](https://github.com/MVIG-SJTU/AlphaPose) )仅对[YOLOv3_SPP](https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-spp.cfg) + [Fast Pose](https://github.com/MVIG-SJTU/AlphaPose/blob/master/configs/coco/resnet/256x192_res50_lr1e-3_1x.yaml) 进行加速。 <div align="center"> <img src="docs/2.jpg" , width="400" alt><br> <b><a>AlphaPose_trt inference rst</a></b> </div> AlphaPose在数据预处理部分使用YOLOv3-SPP模型检测出一幅图像中的多个人物，然后将这些人物图像送入到FastPose模型中进行姿态估计。 我们对YOLOv3_SPP模型以及FastPose模型都进行了加速， 并记录了加速前后的mAP值，验证集来自MSCOCO [val2017](https://cocodataset.org/#keypoints-2017) 。 其中ground truth box表示FastPose模型 的检测精度， detection boxes表示YOLOv3_SPP + FastPose模型的检测精度。 <center> | Method | ground truth box mAP@0.6 | detection boxes mAP@0.6 | |:-------|:-----:|:-------:| | AlphaPose | 0.743 |0.718 | | **AlphaPose_trt** | **0.743** | **0.718** | </center> **所有的测试过程都对GPU以及Memory进行了锁频** GPU Frequency = **1509MHz**, Memory Frequency = **5001MHz**，具体操作如下： ```shell nvidia-smi -pm 1 nvidia-smi -q -d clock # 查看memory以及gpu的频率 nvidia-smi -ac memoryFrq, gpuFrq nvidia-smi -lgc gpuFrq,gpuFrq # 将GPU进行锁频 ``` ### 2.1 YOLOv3-SPP speed up 下表记录了YOLOv3_SPP模型在不同batch size下的推理时间以及吞吐量，并计算了加速比(第三列以及第四列)。 实验环境为：**Tesla T4** 吞吐量: Throughput = 1000 / latency * batchsize 时延: Latency speed up = original latency / trt latency <center> | model | Batchsize | Latency (ms) | Throughput | Latency Speedup |Throughput speedup| Volatile GPU-Util | |:-------|:-----:|:-------:|:-----:|:-------:|:-------:|:-------:| | YOLOv3-SPP | 1 | 54.1 | 18.48 | 1x | 1x | 87% | | | 2 | 93.9 | 21.30 | | | 93% | | | 4 | 172.6 | 23.17 | | | 98% | | | 8 | 322.8 | 24.78 | | | 100% | | **YOLOv3-SPP_trt** | 1 | 20.1 | 49.75 | **2.7x** | **2.7x** | **100%** | | | 2 | 33.7 | 59.35 | **2.8x** | **2.8x** | **100%** | | | 4 | 60.5 | 66.12 | **2.9x** | **2.9x** | **100%** | | | 8 | 115.5 | 69.26 | **2.8x** | **2.8x** | **100%** | </center> 代码实现参考8.2部分 ### 2.2 Fast Pose speed up 下表记录了Fast Pose模型在不同batch size下的推理时间以及吞吐量，并计算了加速比(第三列以及第四列)。 实验环境为：**Tesla T4** <center> | model | Batchsize | Latency (ms) | Throughput | Latency Speedup |Throughput speedup| Volatile GPU-Util | |:-------|:-----:|:-------:|:-----:|:-------:|:-------:|:-------:| | FastPose | 1 | 23.9 | 41.84 | 1x | 1x | 30% | | | 2 | 24.6 | 81.30 | | | 39% | | | 4 | 27.9 | 143.37 | | | 64% | | | 8 | 33.2 | 240.96 | | | 99% | | | 16 | 56.6 | 282.68 | | | 99% | | | 32 | 105.8 | 302.46 | | | 99% | | | 64 | 206.2 | 310.38 | | | 100% | | **FastPose_trt** | 1 | 1.49 | 671.14 | **16.0x** | **16.0x** | **3%** | | | 2 | 2.32 | 862.07 | **10.6x** | **10.6x** | **3%** | | | 4 | 4.06 | 985.22 | **6.9x** | **6.9x** | **38%** | | | 8 | 7.69 | 1040.31 | **4.3x** | **4.3x** | **100%** | | | 16 | 15.16 | 1055.41 | **3.7x** | **3.7x** | **100%** | | | 32 | 29.98 | 1067.38 | **3.5x** | **3.5x** | **100%** | | | 64 | 59.67 | 1072.57 | **3.5x** | **3.5x** | **100%** | </center> 代码实现参考8.1部分 ### 2.3 YOLOv3-SPP + FastPose speed up 下表记录了YOLOv3_SPP + FastPose模型在不同batch size下的推理时间以及吞吐量，并计算了加速比(第三列以及第四列)。 实验环境为：**Tesla T4** <center> | model | Batchsize | Latency (ms) | Throughput | Latency Speedup |Throughput speedup| Volatile GPU-Util | |:-------|:-----:|:-------:|:-----:|:-------:|:-------:|:-------:| | AlphaPose | 1 | 78.0 | 12.82 | 1x | 1x | 87% | | | 2 | 118.5 | 16.87 | | | 94% | | | 4 | 200.5 | 19.95 | | | 97% | | | 8 | 356 | 22.47 | | | 100% | | **AlphaPose_trt** | 1 | 21.59 | 46.32 | **3.6x** | **3.6x** | **100%** | | | 2 | 36.02 | 55.52 | **3.3x** | **3.3x** | **100%** | | | 4 | 64.56 | 61.96 | **3.1x** | **3.1x** | **100%** | | | 8 | 123.19 | 64.94 | **3.5x** | **3.5x** | **100%** | </center> 代码实现参考8.3部分 ## 3. Code installation AlphaPose的安装参考自[这](https://github.com/MVIG-SJTU/AlphaPose/blob/master/docs/INSTALL.md) ，主要有两种安装方式 #### 3.1 使用conda进行安装 Install conda from [here](https://repo.anaconda.com/miniconda/) ```shell # 1. Create a conda virtual environment. conda create -n alphapose python=3.6 -y conda activate alphapose # 2. Install PyTorch conda install pytorch==1.1.0 torchvision==0.3.0 # 3. Get AlphaPose git clone https://github.com/MVIG-SJTU/AlphaPose.git # git pull origin pull/592/head if you use PyTorch>=1.5 cd AlphaPose # 4. install export PATH=/usr/local/cuda/bin/:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64/:$LD_LIBRARY_PATH python -m pip install cython sudo apt-get install libyaml-dev ################Only For Ubuntu 18.04################# locale-gen C.UTF-8 # if locale-gen not found sudo apt-get install locales export LANG=C.UTF-8 ###################################################### python setup.py build develop ``` #### 3.2 使用pip进行安装 ```shell # 1. Install PyTorch pip3 install torch==1.1.0 torchvision==0.3.0 # Check torch environment by: python3 -m torch.utils.collect_env # 2. Get AlphaPose git clone https://github.com/MVIG-SJTU/AlphaPose.git # git pull origin pull/592/head if you use PyTorch>=1.5 cd AlphaPose # 3. install export PATH=/usr/local/cuda/bin/:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64/:$LD_LIBRARY_PATH pip install cython sudo apt-get install libyaml-dev python3 setup.py build develop --user ``` ## 4. YOLOv3-SPP(PyTorch) to engine YOLOv3-SPP(PyTorch)可以转成static shape的engine模型以及dynamic shape的engine模型。前者表示engine的输入数据只能是 固定的尺寸，而后者表示我们输入的数据尺寸可以是动态变化的，但是变化的范围要在我们转成engine时所设置的范围内。 ### 4.1 转成static shape的engine模型 (1) YOLOv3_SPP转成onnx模型 下载YOLOv3_SPP的[cfg](https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-spp.cfg) 以及[weights](https://pjreddie.com/media/files/yolov3-spp.weights) ，并分别放在 ./detector/yolo/cfg/以及./detector/yolo/data/文件夹下。 YOLOv3_SPP输入数据的尺寸默认为: 1x3x608x608 ``` shell python ./darknet2onnx.py --cfg ./detector/yolo/cfg/yolov3-spp.cfg --weight ./detector/yolo/data/yolov3-spp.weights ``` 执行该命令之后，会在当前目录下产生一个yolov3_spp_static.onnx模型 (2) 对模型进行修正 由于YOLOv3-SPP模型中存在Padding操作，trt不能直接识别，因此需要onnx进行修改 [this issue](https://github.com/onnx/onnx-tensorrt/blob/master/docs/faq.md#inputsat0-must-be-an-initializer-or-inputsat0is_weights )。可能需要额外下载tensorflow-gpu == 2.4.1以及polygraphy == 0.22.0模块。 ``` shell polygraphy surgeon sanitize yolov3_spp_static.onnx --fold-constants --output yolov3_spp_static_folded.onnx ``` 执行该命令之后，会在当前目录下产生一个yolov3_spp_static_folded.onnx模型 (3) 由onnx模型生成engine 需要注册ScatterND plugin，将[this repository](https://github.com/NVIDIA/trt-samples-for-hackathon-cn/tree/master/plugins) 下的plugins文件夹以及Makifile文件放到当前目录下，然后make MakeFile文件，进行编译，编译之后�