C++和PytorchOnnxRuntime使用方法(附代码)

绝地灬酷狼 2023-10-02 10:56 90阅读 0赞

#### Pytorch和C++OnnxRuntime使用方法 ####

*   *  写在前面
     *  Pytoch onnxruntime使用方法
     *  C++ onnxruntime使用方法
     *  写在后面

### 写在前面 ###

最近有个需求要将Pytorch训练好的模型迁移到C++上去使用，再网上查了一些资料结合上自己的实际情况最终使用onnxruntime迁移成功。借此机会给大家分享一下，**若有写的不对的地方请大家批评指正**！下面给大家看看运行结果  
这是Pytorch的onnxruntime运行时间  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAaWlpaWlpaW1w_size_13_color_FFFFFF_t_70_g_se_x_16]  
这是C++的onnxruntime运行时间，感觉两者速度是差不多的~可能要大批量数据的时候C++才能体现出它的优势吧。  
![在这里插入图片描述][103bb1ca1d2b47a09f4b7bbc7c2fe2e8.png]  
这是onnx模型运行结果，左边是输入，右边是输出。这里Pytorch和C++的运行结果没有任何区别，因为是同一个onnx模型跑出来的。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAaWlpaWlpaW1w_size_16_color_FFFFFF_t_70_g_se_x_16]  
**代码放在GitHub上的：**  
[https://github.com/hahahappyboy/Pytorch-and-CPP-OnnxRuntime][https_github.com_hahahappyboy_Pytorch-and-CPP-OnnxRuntime]

**训练好的模型以及导出的onnx模型在这：**  
链接：[https://pan.baidu.com/s/1m35zq0wqTeaOZ5rj2L2dKA][https_pan.baidu.com_s_1m35zq0wqTeaOZ5rj2L2dKA]  
提取码：iimp

**如何使用？**  
改一下代码中的输入图片路径、模型路径、输出图片路径即可~

下面对一些需要注意的细节做一下解释

### Pytoch onnxruntime使用方法 ###

大概步骤就是，先保存训练好的模型，然后将该模型转为onnx模型，使用onnxruntime运行模型即可。具体如何使用可以去看[官网][Link 1]和我的GitHub代码，备注写的满详细的。下面对一些需要注意的地方做一些讲解。  
1、安装onnxrutime

pip install onnxruntime-gpu

2、 导出onnx模型，详见export\_onnx.py文件  
需要注意的是最终导出onnx模型时，你的batch\_size设为多少，导出的onnx模型就只能接收batch\_size大小的图片，比如说这里batch\_size为1，表示你之后在用onnx模型时模型的输入只能是\[1,3,256,256\]，不能是\[2,3,256,256\]。  
![在这里插入图片描述][b559d72b703748818e8fe9f27d428a18.png]  
3、验证导出的onnx模型有没有问题，详见verify\_onnx.py  
![在这里插入图片描述][c4228e9ef94d4c45bd0eb9ac35401b06.png]  
如果onnx模型输出是你想要的大小那应该就没问题。  
4、运行onnx模型，详见run\_onnx.py  
这个没什么好说的，去官网看看例子就知道了，核心就是这几句代码。

ort_session = onnxruntime.InferenceSession("pix2pixHD_Cartoon_batch1.onnx")
    ort_inputs = {
        ort_session.get_inputs()[0].name: to_numpy(label.unsqueeze(0)).astype(np.float32)}
    ort_outs = ort_session.run(None, ort_inputs)

### C++ onnxruntime使用方法 ###

重点是C++如何使用onnxruntime，感觉[官网][Link 1]给的例子并不是很好。其实个人感觉最难的还是如何进行预处理和后处理，因为C++不像Python那样可以灵活使用矩阵，如果用for循环一个像素一个像素的进行处理，那速度就太慢了~，所以我用到了opencv、libtorch这两个库来对数据进行处理。具体如何使用可以看我放在GitHub上的代码。下面对一些个人感觉比较重要的地方进行解释  
1、安装Onnxruntime-Gpu  
这里建议安装1.7.1 因为安装最新的版本会报错~  
![在这里插入图片描述][1dcb527038d2449698431ba9cef97de5.png]  
2、Libtorch的安装  
[参考这篇博客][Link 2]  
要注意的是链接器输入添加：

asmjit.lib
    c10.lib
    caffe2_detectron_ops.lib
    caffe2_module_test_dynamic.lib
    clog.lib
    cpuinfo.lib
    dnnl.lib
    fbgemm.lib
    libprotobuf.lib
    libprotobuf-lite.lib
    libprotoc.lib
    mkldnn.lib
    torch.lib
    torch_cpu.lib

因为不同版本的libtorch不一样，可能不全需要，保险起见可以全加上  
3、将Opencv的Mat对象转为Libtorch的tensor对象这样就方便使用API对图像进行归一化处理  
Mat转tensor的代码，**需要注意的是torch::kByte要对应cv::Mat img的数据类型**

torch::Tensor img_tensor = torch::from_blob(img.data, {
         img.rows, img.cols, 3 }, torch::kByte);

4、归一化  
转为tensor过后进行归一化操作就很简单了而且速度还快，嘿嘿~

std::vector<double> mean = {
         0.5,0.5,0.5 };
    std::vector<double> std = {
         0.5,0.5,0.5 };
    tensor = torch::data::transforms::Normalize<>(mean, std)(tensor);

5、构造onnx模型的输入`std::vector<float> inputVec`  
个人感觉这是一个难点，之前用for循环一个一个遍历图像放进去的，这样太慢了。后来想到可以用内存拷贝的方法。**实现的思路就是将已经预处理好的图像分成RGB三个通道然后reshape成一维向量装入inputVec里。** 为什么要分为三个通道装入呢，直接将一张图像reshape后装入inputVec它不香吗？这是因为inputVec向量的输入顺序要求是先R通道的所有像素再G通道的所有像素最后再G通道的所有像素，即要求顺序为RRR->GGG->BBB。如果直接将图像reshape为一维向量则inputVec的顺序为RGB->RGB->RGB。。。。最后结果就不对啦~  
核心代码如下：

cv::Mat resultImg(h, w, CV_32FC3);
    std::memcpy((void*)resultImg.data, label.data_ptr(), sizeof(float) * label.numel());
    //通道分离
    std::vector<cv::Mat> channels;
    cv::split(resultImg, channels);
    cv::Mat blue, green, red;
    blue = channels.at(0);
    green = channels.at(1);
    red = channels.at(2);
    //拉平
    std::vector<float> inputVec_red = (std::vector<float>)(blue.reshape(1, 1));
    std::vector<float> inputVec_green = (std::vector<float>)(green.reshape(1, 1));
    std::vector<float> inputVec_blue = (std::vector<float>)(red.reshape(1, 1));
    inputVec.insert(inputVec.end(), inputVec_red.begin(), inputVec_red.end());
    //装入向量
    inputVec.insert(inputVec.end(), inputVec_green.begin(), inputVec_green.end());
    inputVec.insert(inputVec.end(), inputVec_blue.begin(), inputVec_blue.end());

这里第二行我是将之前预处理好的tensor转为Mat后再分离通道的，要注意是的是**std::memcpy 行中sizeof()中内容，需要修改成c++中内建的数据类型**，如果使用torch::kF32或者其他浮点型，会出现数据复制缺失的情况，所以使用的是float。  
6、将构造好的输入装入模型得到输出

Ort::Env env = Ort::Env{
         ORT_LOGGING_LEVEL_ERROR, "Default" };
    Ort::SessionOptions opt;
    opt.AppendExecutionProvider_CUDA(cuda_options);
    Ort::Session session(env, L".onnx模型的地址", opt);
    std::vector<int64_t> inputSize = {
         batchSize, channels, height, width };
    rsize_t inputSizeCount = batchSize * channels * height * width;
    auto memoryInfo = Ort::MemoryInfo::CreateCpu(OrtArenaAllocator, OrtMemType::OrtMemTypeDefault);
    std::clock_t startTime, endTime;
    Ort::Value inputTensor = Ort::Value::CreateTensor<float>(memoryInfo, inputVec.data(), inputSizeCount, inputSize.data(), inputSize.size());
    std::vector<Ort::Value>  outputTensors = session.Run(Ort::RunOptions{
         nullptr }, inputNames.data(), &inputTensor, inputNames.size(), outputNames.data(), outputNames.size());
    float* output = outputTensors[0].GetTensorMutableData<float>();

可以看到输出是一个指针`float* output`  
7、将输出做后处理后转为图像  
同理输出的float\* 顺序为RRR->GGG->BBB所以如果直接resahpe那是不行滴。所以先构造tensor把三个通道分别提出来，再将三通道进行合并。

torch::Tensor result_r = torch::from_blob(output, {
         height,width,1 });
    torch::Tensor result_g = torch::from_blob(&output[height * width - 1], {
         height,width,1 });
    torch::Tensor result_b = torch::from_blob(&output[height * width * 2 - 1], {
         height,width,1 });
    torch::Tensor result = torch::cat({
         result_r, result_g, result_b }, 2);

然后使用API直接进行后处理，这样就很方便。记得转为`torch::kU8`类型因为后面就要涉及到内存拷贝了

result = result.add(1).div(2).mul(255);
    result = result.clamp(0, 255);
    result = result.to(torch::kU8);

最后再将tensor转为Mat进行保存

cv::Mat resultImg(height, width, CV_8UC3);
    std::memcpy((void*)resultImg.data, result.data_ptr(), sizeof(torch::kU8) * result.numel());
    cv::cvtColor(resultImg, resultImg, cv::COLOR_RGB2BGR);

这里我看网上代码有将tensor先permute为HWC后再转为Mat，经过我实验发现其实这一步是多余的，因为permute方法并不会改变tensor数据在内存中的排列方式，对于拷贝内存来说是多余的一步。

### 写在后面 ###

目前我能想到的地方就这些了，如果错误的地方请多多包含啦~欢迎大家提问！

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAaWlpaWlpaW1w_size_13_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/fe1275746d6c43e99543336c167eb6bb.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAaWlpaWlpaW1w,size_13,color_FFFFFF,t_70,g_se,x_16
[103bb1ca1d2b47a09f4b7bbc7c2fe2e8.png]: https://img-blog.csdnimg.cn/103bb1ca1d2b47a09f4b7bbc7c2fe2e8.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAaWlpaWlpaW1w_size_16_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/3d31cdad1e414fc891b03ee3a582efb0.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAaWlpaWlpaW1w,size_16,color_FFFFFF,t_70,g_se,x_16
[https_github.com_hahahappyboy_Pytorch-and-CPP-OnnxRuntime]: https://github.com/hahahappyboy/Pytorch-and-CPP-OnnxRuntime
[https_pan.baidu.com_s_1m35zq0wqTeaOZ5rj2L2dKA]: https://pan.baidu.com/s/1m35zq0wqTeaOZ5rj2L2dKA
[Link 1]: https://onnxruntime.ai/docs/get-started/with-python.html
[b559d72b703748818e8fe9f27d428a18.png]: https://img-blog.csdnimg.cn/b559d72b703748818e8fe9f27d428a18.png
[c4228e9ef94d4c45bd0eb9ac35401b06.png]: https://img-blog.csdnimg.cn/c4228e9ef94d4c45bd0eb9ac35401b06.png
[1dcb527038d2449698431ba9cef97de5.png]: https://img-blog.csdnimg.cn/1dcb527038d2449698431ba9cef97de5.png
[Link 2]: https://yanfeng2012.blog.csdn.net/article/details/106481312