随着算力的不断提升和数据的不断增长，深度学习算法有了巨大的发展。深度学习算法也越来越多的应用在各个领域中，比如图像识别算法应用于自动驾驶领域和安防等场景，再比如语音处理和自然语言处理应用于人机交互，以及近期火热对于许多领域都有重大影响的AIGC。针对不同的平台，如何使深度学习算法的推理速度更快，无疑可以影响用户的体验，甚至可以影响一个算法的有效性，这是深度学习模型部署所要研究的问题。目前模型部署框架则有NVIDIA推出的TensorRT，谷歌的Tensorflow和用于ARM平台的tflite，开源的caffe，百度的飞浆。

在AIOT、移动设备以及自动驾驶等领域，出于成本和性能方面的考虑，可能无法使用高性能的GPU服务器，因此NVIDIA推出了Jetson NX，可以广泛地应用于嵌入式设备和边缘计算等场景。同时，Nvidia所开发的TensorRT可以对深度学习模型的推理过程进行加速，使得Jetson NX也可以使用一些深度学习算法从而拥有更广泛的应用价值。Triton是NVIDIA于2018年开源的服务框架，可以对TensorRT生成的推理引擎进行更好的调度以及处理推理请求。

本文主要介绍了基于Jetson NX使用TensorRT和Triton对深度学习算法模型进行部署的流程，并以yolov5和ResNet两种视觉领域常用的算法为例进行了评测。

模型部署流程

Jetson上的模型部署因为是基于arm的，与传统基于x86的主机或服务器的部署略有差别，但基本类似，主要分为三步：

• 模型转换为onnx

• 生成基于TensorRT的推理引擎

• 使用Triton完成部署 

1.模型转换为onnx

首先可以将pytorch或其他框架训练好的模型转换为onnx格式用于后续的部署。pytorch中提供了将模型文件导出为onnx格式的函数。以yolov5为例：

可以将原模型导出为onnx格式，其中model是我们要进行导出的模型文件，f为导出的onnx模型文件。

2.生成基于TensorRT的推理引擎

TensorRT主要用于优化模型推理速度，是硬件相关的。主要有两种将torch生成的模型转化为TensorRT的engine的方式：

• 将模型的.pth权重文件转化为.wts文件。之后编写c++程序对.wts进行编译，生成推理引擎，通过调用推理引擎来进行TensorRT的推理。

• 将网络结构保存为onnx格式，然后利用ONNX-TensorRT工具将onnx模型文件转换为TensorRT推理引擎即可即可。
  

注：两种方法生成的推理引擎无法直接互换使用，需要进行一定的转换。

在本文中，我们使用第二种方法生成推理引擎。即使用上一步中转化好的onnx模型文件，使用ONNX-TensorRT工具trtexec将onnx模型文件转化为推理引擎。在Jetson上安装arm版的TensorRT后可以使用trtexec将onnx模型文件生成推理引擎，使用方法如下：

--onnx代表输入的模型文件, --fp16代表使用半精度浮点类型数据,--saveEngine代表保存的推理引擎名称。

使用trtexec -h可以查看更多参数说明。

执行结束后可以得到类似如下的性能结果报告：

如果最后显示为PASSED则代表推理引擎生成成功，2-9为用伪数据进行的性能测试结果。

3.使用Triton完成部署 

在上一步中使用TensorRT得到推理引擎后，可以使用Triton进行进一步的部署。

Jetson版的Triton Server安装可以参考 [Triton Inference Server Support for Jetson and JetPack][1]。

安装完成后，配置模型即可完成部署，更多信息可参考[ Triton Model Configuration Documentation][2]。

在本文以如下配置过程为例：

配置文件的目录格式如下：

即构建好模型文件的目录和配置文件，并将上一步中得到的推理引擎复制到相应目录下作为model.plan,一个简单的配置文件config.pbtxt可以设置如下：

完成以上配置后，即可使用tritonserver进行部署：

部署成功后结果如上图所示，可以使用pytritonclient将需要预测的数据进行预处理后访问8001端口进行推理调用。

性能评测

本文分别对视觉领域常用的两种算法Yolov5和ResNet进行了评测，对TensorRT的加速进行了量化的评估。

ResNet 

本文对ResNet常见的两种网络结构ResNet18和ResNet50分别进行了测试，实验结果如图1所示，加速版本与未加速版本所使用的设置均一致，测量的指标为query per second(qps)，batchsize均为1,加速比约为6.02。

Yolo是视觉领域常用的目标检测算法，本文对Yolov5的加速性能进行了测试，分别对半精度浮点类型和全精度浮点类型的加速性能进行了实验。实验结果如图2所示，加速版本与未加速版本所使用的实验设置均一致，图像输入尺寸为320×320，测量的性能指标为qps。可以看出，目标识别算法只有在加速后可以实现实时的目标检测，加速比约为10.96。

总结

本文主要介绍了基于Jetson NX使用TensorRT和Triton对深度学习算法模型进行部署方法和整体流程，并以yolov5和ResNet两种视觉领域常用的算法为例进行了评测。在基本不损失精度的情况下，TensorRT可以对常见的深度学习算法模型进行很好的加速并部署在Jetson上。利用这项技术，使Jetson不再依赖服务器，可以在本地实时常见的深度学习任务。在边缘计算、移动端设备计算等场景中有非常广阔的应用价值。

参考资料

[1]https://github.com/triton-inference-server/server/blob/r22.10/docs/user_guide/jetson.md

[2]https://github.com/triton-inference-server/server/blob/main/docs/model_configuration.md#model-configuration

[封面]https://developer.nvidia.com/tensorrt

本文共2714字，申请文章授权请联系后台运营人员