ONNXRuntime学习笔记(四)
接上一篇在Python端的onnx模型验证结果，上一篇在Pytorch和onnxruntime-gpu推理库上分别进行效果效率统计分析，结论要比最初设置的50ms高很多，这一篇我将在C++端写个测试代码进行推理验证。
一、onnxruntime的C++库
AI模型部署肯定是要用C++的，这是毋庸置疑的，目前onnxruntime提供了适配很多编程语言接口的API，最常用的就是Python和C++，一个简易一个高效，Python接口可用于快速验证idea，C++接口适用于集成到推理引擎中来调用。C++总的来说是把效率排在第一位的，所以没有像Python那样强封装，相对而言比较灵活，但又不像C那样琐碎，毕竟C++也是OOP语言。扯远了，onnxruntime的c++库可以从官方github下载到，可以直接下载对应的release版本，里面包含了动态库和头文件，如下图，我下载的是windows版本的。直接导入到我们的推理引擎中来调用就可以了。
一般我们引入第三方库会包含两部分内容，一个是头文件，这里面是所有我们可以调用的函数声明、错误类型等等，另一部分是库文件，库文件分动态库和静态库，win版的动态库文件还有对应的动态库的导入库（.lib结尾），这很容易和静态库混淆。对于linux来说，动态库.so文件中已经包含了符号表，符号表保存所有函数地址；而对于win来说，动态库的函数实现都保存在.dll中，与之还有一个配套的同名.lib文件单独保存函数符号表，这个导入库是在编译期间就需要明确位置的，需要配置到库目录列表里面，并确定是哪一个.lib文件，编译的时候会将其和可执行文件打包融合，而真正的dll是在运行期间才去加载的，所以dll需要放置到合适的位置，让可执行文件能找到。
二、测试代码
这里我把创建一个调用onnxruntime库进行推理的相关配置都打包到一个class里面，这样方便管理，代码如下：
#include <onnxruntime_cxx_api.h>
#include <cmath>
#include <time.h>
#include <algorithm>
#include <fstream>
#include "opencv2/opencv.hpp"
using namespace cv;
using namespace std;
const int class_num = 10;
const int input_height = 32;
const int input_width = 32;
const int input_channel = 3;
const int batch_size = 1;
class Classifier {
public:
Classifier(const wchar_t* onnx_path) {
auto allocator_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);
input_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, input_.data(), input_.size(), input_shape_.data(), input_shape_.size());
output_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, output_.data(), output_.size(), output_shape_.data(), output_shape_.size());
OrtSessionOptionsAppendExecutionProvider_CUDA(session_option, 0);
session = Ort::Session(env, onnx_path, session_option);
}
int set_input(string& img_paht) {
Mat img = imread(img_paht);
//Mat dst(input_height, input_width, CV_8UC3);
//resize(img, dst, Size(row, col));
//cvtColor(img, dst, COLOR_BGR2RGB);
float* input_prt = input_.data();
for (int c = 0; c < 3; c++) {
for (int i = 0; i < input_height; i++) {
for (int j = 0; j < input_width; j++) {
float tmp = img.ptr<uchar>(i)[j * 3 + c];
input_prt[c * input_height * input_width + i * input_width + j] = ((tmp) / 255.0 - mean_[c]) / std_[c];
}
}
}
return 0;
}
int forward() {
session.Run(Ort::RunOptions{ nullptr }, input_names.data(), &input_tensor_, 1, output_names.data(), &output_tensor_, 1);
return 0;
}
int get_result(int& result) {
result = std::distance(output_.begin(), std::max_element(output_.begin(), output_.end()));
return 0;
}
private:
vector<const char*> input_names{ "img" };
vector<const char*> output_names{ "output" };
std::array<float, batch_size* input_height* input_width* input_channel> input_;
std::array<float, batch_size* class_num> output_;
std::array<int64_t, 4> input_shape_{ batch_size, input_channel, input_width, input_height };
std::array<int64_t, 2> output_shape_{ batch_size, class_num };
Ort::Value input_tensor_{ nullptr };
Ort::Value output_tensor_{ nullptr };
Ort::SessionOptions session_option;
Ort::Env env{ ORT_LOGGING_LEVEL_WARNING, "test" };
Ort::Session session{ nullptr };
std::vector<float> mean_{ 0.4914, 0.4822, 0.4465 };
std::vector<float> std_{ 0.2023, 0.1994, 0.2010 };
};
int load_img_path(string& file_path, vector<string>& img_lst, vector<int>& label_lst) {
ifstream f(file_path.c_str());
if (!f.is_open()) {
cout << "文件打开失败" << endl;
return -1;
}
string img_path;
int label;
while (getline(f, img_path)) {
if (img_path.size() > 0) {
img_lst.push_back(img_path);
auto iter = img_path.find(".");
label = std::atoi(img_path.substr(--iter, iter).c_str());
label_lst.push_back(label);
}
}
f.close();
return 0;
}
float cal_acc(vector<int>& labels, vector<int>& results) {
float TP = 0.;
for (int i = 0; i < labels.size(); i++) {
if (labels[i] == results[i]) {
TP++;
}
}
return TP / labels.size();
}
int main()
{
const wchar_t* onnx_path = L"D:/Files/projects/vs/onnxruntimelib/onnxruntime-win-x64-gpu-1.11.1/output/resnet_best.onnx";
string img_path_file = "D:/Files/projects/Py/CNN-Backbone/data/testimg.lst";
vector<string> img_lst;
vector<int> label_lst;
vector<int> results;
load_img_path(img_path_file, img_lst, label_lst);
clock_t start;
float time_cost;
int result;
Classifier classifier(onnx_path);
start = clock();
for (int i = 0; i < img_lst.size(); i++) {
result = -1;
classifier.set_input(img_lst[i]);
classifier.forward();
classifier.get_result(result);
results.push_back(result);
}
time_cost = clock()-start;
float acc = cal_acc(label_lst, results);
std::cout << "Total Time cost: " << time_cost << "ms" << std::endl;
std::cout << "Average Time cost: " << time_cost/img_lst.size() << "ms" << std::endl;
std::cout << "Test Acc: " << acc << std::endl;
system("pause");
return 0;
}
测试代码比较简单，里面核心调用onnxruntime的代码是Ort::Session和Ort::SessionOptions,Sessionoption是调用onnxruntime的一些配置选项，默认使用CPU推理，这里使用OrtSessionOptionsAppendExecutionProvider_CUDA(session_option, 0)可以选用0号gpu计算，创建好的session_option再拿去初始化session，然后是输入输出有定义好的特殊类型Ort::Value，这里分别采用一个固定大小的array去构建输入输出。最后测试结论为：
CPU下：
Total Time cost: 36289ms
Average Time cost: 3.6289ms
Test Acc: 0.9483
GPU下：
Total Time cost: 29861ms
Average Time cost: 2.9861ms
Test Acc: 0.9483
效果和在Python接口上测试的一致的，GPU下的平均响应时间要比Python接口的3.1ms更快一些。神奇的是CPU下的速度也很快，可能是我这个模型太小没体现出GPU的优势。另外有一个问题是在gpu上测试的时候，退出main函数的时候析构失败，没查出原因。
三、总结
- 技术总结：原型训练中大模型的拟合能力比小模型强得多，此外数据增强带来的收益也很明显；模型较简单所以导出onnx没出啥问题，导出的onnx效果也没降低；C++端的验证表明，推理速度远高于最初设置的50ms/张，符合预期。
- 反思：走了一遍这整个流程，发现还是有很多地方不了解，有待进一步学习，五月份主攻工程方向，这个系列到这里暂时告一段落，接下来要深入一下onnxruntime的接口设计，有突破了再继续更新。
