Press "Enter" to skip to content

从 0 到 1,使用 OpenPPL 实现一个 AI 推理应用

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

深度学习推理框架 OpenPPL 已经开源了,本文以一个图像分类实例,从 0 到 1 讲解如何部署一个深度学习模型,完成一个 AI 推理应用。

 

最终效果: 通过上传一张猫咪照片(狗狗也可以),识别出图片中的动物 :cat:

 

背景知识

 

OpenPPL 是基于自研高性能算子库的推理引擎,提供云原生环境下 的 AI 模型多后端部署能力,并支持 OpenMMLab 等深度学习模型的高效部署。

 

以下以在 Linux x86 平台上部署图像分类模型为例, 详述 OpenPPL 的安装与使用流程,帮助同学们从 0 到 1 来实现一个人工智能应用推理服务。

 

安装

 

1. 下载 PPL.NN 源码

 

git clone https://github.com/openppl-public/ppl.nn.git

 

2. 安装依赖

 

PPLNN 编译依赖如下:

 

GCC >= 4.9 或 LLVM/Clang >= 6.0

 

CMake >= 3.13

 

Git >= 2.7.0

 

本文讲解的图像分类例程 classification 还需要额外安装 OpenCV:

 

对于 apt 包管理系统(如:Ubuntu/Debian):

 

sudo apt install libopencv-dev

 

对于 yum 包管理系统(如:CentOS):

 

sudo yum install opencv opencv-devel

 

或者从源码直接安装 OpenCV。

 

注意:编译时会自动检测是否安装了OpenCV,如果没安装的话,不会生成本文的例程

 

3. 编译

 

cd ppl.nn
build.sh -DHPCC_USE_OPENMP=ON   # 不开启多线程的话,可以不加后面的-DHPCC_USE_OPENMP选项

 

编译完成后,图像分类例程 classification 会生成在 pplnn-build/samples/cpp/run_model/ 目录下,可以读取图片和模型文件,输出分类结果。

 

更多编译相关描述请 参见:building-from-source.md

 

图像分类例程讲解

 

图像分类例程源码在 samples/cpp/run_model/classification.cpp 内,本节将对其主要部分进行讲解。

 

1. 图像预处理

 

OpenCV 读入的数据格式为 BGR HWC uint8 格式,而 ONNX 模型需要的输入格式为 RGB NCHW fp32,需要对图像数据进行转换:

 

int32_t ImagePreprocess(const Mat& src_img, float* in_data) {
const int32_t height = src_img.rows;
const int32_t width = src_img.cols;
const int32_t channels = src_img.channels();
// 将颜色空间从 BGR/GRAY 转换到 RGB
    Mat rgb_img;
if (channels == 3) {
        cvtColor(src_img, rgb_img, COLOR_BGR2RGB);
    } else if (channels == 1) {
        cvtColor(src_img, rgb_img, COLOR_GRAY2RGB);
    } else {
fprintf(stderr, "unsupported channel num: %d
", channels);
return -1;
    }
// 将 HWC 格式的三通道分开
vector<Mat> rgb_channels(3);
    split(rgb_img, rgb_channels);
// 这里构造 cv::Mat 时,直接用 in_data 为 cv::Mat 提供数据空间。这样当 cv::Mat 变化时,数据会直接写到 in_data 内
Mat r_channel_fp32(height, width, CV_32FC1, in_data + 0 * height * width);
Mat g_channel_fp32(height, width, CV_32FC1, in_data + 1 * height * width);
Mat b_channel_fp32(height, width, CV_32FC1, in_data + 2 * height * width);
vector<Mat> rgb_channels_fp32{r_channel_fp32, g_channel_fp32, b_channel_fp32};
// 将 uint8 数据转换为 fp32,并减均值除标准差,y = (x - mean) / std
const float mean[3] = {0, 0, 0}; // 根据数据集和训练参数调整均值和方差
const float std[3] = {255.0f, 255.0f, 255.0f};
for (uint32_t i = 0; i < rgb_channels.size(); ++i) {
        rgb_channels[i].convertTo(rgb_channels_fp32[i], CV_32FC1, 1.0f / std[i], -mean[i] / std[i]);
    }
return 0;
}

 

2. 从 ONNX 模型生成 runtime builder

 

首先需要创建并注册想使用的 engine,每个 engine 对应一个推理后端,目前支持 x86 和 CUDA。 本文仅使用 x86 engine:

 

    auto x86_engine = X86EngineFactory::Create(); // 创建 x86 engine
// 注册所有想使用的 engine
vector<unique_ptr<Engine>> engines;
vector<Engine*> engine_ptrs;
    engines.emplace_back(unique_ptr<Engine>(x86_engine));
    engine_ptrs.emplace_back(engines[0].get());

 

接着使用 ONNXRuntimeBuilderFactory::Create() 函数,读入ONNX model,根据注册的 engine 创建 runtime builder:

 

    auto builder = unique_ptr<ONNXRuntimeBuilder>(
        ONNXRuntimeBuilderFactory::Create(ONNX_model_path, engine_ptrs.data(), engine_ptrs.size()));

 

补充说明:PPLNN 框架层面支持多种异构设备混合推理。可以注册多种不同的 engine,框架会自动将计算图拆分成多个子图,并调度不同的 engine 进行计算。

 

3. 创建 runtime

 

使用 runtime_options 配置 runtime 选项,例如配置 mm_policy 字段到 MM_LESS_MEMORY(省内存模式):

 

RuntimeOptions runtime_options;
runtime_options.mm_policy = MM_LESS_MEMORY; // 使用省内存模式

 

使用上一步生成的 runtime builder 创建一个 runtime 实例:

 

unique_ptr<Runtime> runtime;
runtime.reset(builder->CreateRuntime(runtime_options));

 

一个 runtime builder 可以创建多个 runtime 实例。这些 runtime 实例会共享常量数据(权重等)和网络拓扑,从而节省内存开销。

 

4. 设置网络输入数据

 

首先通过 GetInputTensor() 接口获取 runtime 的输入 tensor:

 

auto input_tensor = runtime->GetInputTensor(0); // 分类网络仅有一个输入

 

Reshape 输入 tensor,并重新分配 tensor 的内存:

 

const std::vector<int64_t> input_shape{1, channels, height, width};
input_tensor->GetShape().Reshape(input_shape); // 即使 ONNX 模型里已经将输入尺寸固定,PPLNN 仍会动态调整输入尺寸
auto status = input_tensor->ReallocBuffer();   // 当调用了 Reshape 后,必须调用此接口重新分配内存

 

跟 ONNX Runtime 不同的是,即使 ONNX 模型里固定了输入尺寸,PPLNN 仍可以动态调整网络的输入尺寸(但需保证输入尺寸是合理的)。

 

上文预处理得到的数据 in_data 数据类型为 fp32,格式为 NDARRAY(4 维数据 NDARRAY 等同于 NCHW),由此定义用户输入数据的格式描述:

 

TensorShape src_desc = input_tensor->GetShape();
src_desc.SetDataType(DATATYPE_FLOAT32);
src_desc.SetDataFormat(DATAFORMAT_NDARRAY); // 对于4维数据来说,NDARRAY 等同于 NCHW

 

最后调用 ConvertFromHost() 接口将数据 in_data 转换成 input_tensor 所需的格式,完成数据填充:

 

status = input_tensor->ConvertFromHost(in_data, src_desc);

 

5. 模型推理

 

status = runtime->Run(); // 执行网络推理

 

6. 获取网络输出数据

 

通过 GetOutputTensor() 接口获取 runtime 的输出 tensor:

 

auto output_tensor = runtime->GetOutputTensor(0); // 分类网络仅有一个输出

 

分配数据空间来存储网络输出:

 

uint64_t output_size = output_tensor->GetShape().GetElementsExcludingPadding();
std::vector<float> output_data_(output_size);
float* output_data = output_data_.data();

 

和输入数据一样,需要先定义想要的输出格式描述:

 

TensorShape dst_desc = output_tensor->GetShape();

 

dst_desc.SetDataType(DATATYPE_FLOAT32);

 

dst_desc.SetDataFormat(DATAFORMAT_NDARRAY);

 

// 对于1维数据而言,NDARRAY 等同于 vector

 

调用 ConvertToHost() 接口将 output_tensor 的数据转换成 dst_desc 所描述的格式,得到输出数据:

 

status = output_tensor->ConvertToHost(output_data, dst_desc);

 

7. 解析输出结果

 

解析网络输出的score,获取分类结果:

 

int32_t GetClassificationResult(const float* scores, const int32_t size) {
vector<pair<float, int>> pairs(size);
for (int32_t i = 0; i < size; i++) {
        pairs[i] = make_pair(scores[i], i);
    }
auto cmp_func = [](const pair<float, int>& p0, const pair<float, int>& p1) -> bool {
return p0.first > p1.first;
    };
const int32_t top_k = 5;
    nth_element(pairs.begin(), pairs.begin() + top_k, pairs.end(), cmp_func); // get top K results & sort
    sort(pairs.begin(), pairs.begin() + top_k, cmp_func);
printf("top %d results:
", top_k);
for (int32_t i = 0; i < top_k; ++i) {
printf("%dth: %-10f %-10d %s
", i + 1, pairs[i].first, pairs[i].second, imagenet_labels_tab[pairs[i].second]);
    }
return 0;
}

 

运行

 

1. 准备 ONNX 模型

 

我们在 tests/testdata 下准备了一个分类模型 mnasnet0_5.onnx,可用于测试。

 

通过如下手段可以获取更多的 ONNX 模型:

 

从 OpenMMLab/PyTorch 导出 ONNX 模 型:model-convert-guide.md

 

从 ONNX Model Zoo 获取模型:https://github.com/onnx/models

 

ONNX Model Zoo 的模型 opset 版本都较低,可以通过 tools 下的 convert_onnx_opset_version.py 将 opset 转换为 11:

 

    python convert_onnx_opset_version.py --input_model input_model.onnx --output_model output_model.onnx --output_opset 11

 

转换 opset 具体请 参考:onnx-model-opset-convert-guide.md

 

2. 准备测试图片

 

测试图片使用任何格式均可。我们在 tests/testdata 下准备了 cat0.png(我们家喵主子的大头照)和 cat1.jpg(ImageNet 的验证集图片):

 

喵主子从猫包里探头

任意大小的图片都可以正常运行,如果想要 resize 到 224 x 224 的话,可以修改程序里的如下变量:

 

    const bool resize_input = false; // 想要resize的话,修改为true即可

 

3. 测试推理服务

 

运行

 

pplnn-build/samples/cpp/run_model/classification <image_file> <onnx_model_file>

 

推理完成后,会得到如下输出:

 

image preprocess succeed!
[INFO][2021-07-23 17:29:31.341][simple_graph_partitioner.cc:107] total partition(s) of graph[torch-jit-export]: 1.
successfully create runtime builder!
successfully build runtime!
successfully set input data to tensor [input]!
successfully run network!
successfully get outputs!
top 5 results:
1th: 3.416199   284        n02123597 Siamese cat, Siamese
2th: 3.049764   285        n02124075 Egyptian cat
3th: 2.989676   606        n03584829 iron, smoothing iron
4th: 2.812310   283        n02123394 Persian cat
5th: 2.796991   749        n04033901 quill, quill pen

 

不难看出,这个程序正确判断了我家猫主子是真猫 (>^ω^<)

 

至此 OpenPPL 的安装与图像分类模型推理已完成  :bouquet:

 

另外,在 pplnn-build/tools 目录下有可执行文件 pplnn,可以进行任意模型推理、dump 输出数据、benchmark 等操作。

 

具体用法可使用 –help 选项查看。大家可以基于该示例进行改动,从而更熟悉 OpenPPL 的用法 :man:‍:computer::woman:‍:computer:

 

:star:️ 欢迎 star

 

:link: https://github.com/openppl-public

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注