注意

您正在阅读 MMOCR 0.x 版本的文档。MMOCR 0.x 会在 2022 年末开始逐步停止维护，建议您及时升级到 MMOCR 1.0 版本，享受由 OpenMMLab 2.0 带来的更多新特性和更佳的性能表现。阅读 MMOCR 1.0 的维护计划、 发版日志、 代码 和 文档 以了解更多。

部署

我们在 tools/deployment 目录下提供了一些部署工具。

转换至 ONNX (试验性的)

我们提供了将模型转换至 ONNX 格式的脚本。转换后的模型可以使用诸如 Netron 的工具可视化。 此外，我们也支持比较 PyTorch 和 ONNX 模型的输出结果。

python tools/deployment/pytorch2onnx.py
    ${MODEL_CONFIG_PATH} \
    ${MODEL_CKPT_PATH} \
    ${MODEL_TYPE} \
    ${IMAGE_PATH} \
    --output-file ${OUTPUT_FILE} \
    --device-id ${DEVICE_ID} \
    --opset-version ${OPSET_VERSION} \
    --verify \
    --verbose \
    --show \
    --dynamic-export

参数说明：

参数	类型	描述
model_config	str	模型配置文件的路径。
model_ckpt	str	模型权重文件的路径。
model_type	'recog', 'det'	配置文件对应的模型类型。
image_path	str	输入图片的路径。
--output-file	str	输出的 ONNX 模型路径。 默认为 tmp.onnx。
--device-id	int	使用哪块 GPU。默认为0。
--opset-version	int	ONNX 操作集版本。默认为11。
--verify	bool	决定是否验证输出模型的正确性。默认为 False。
--verbose	bool	决定是否打印导出模型的结构，默认为 False。
--show	bool	决定是否可视化 ONNXRuntime 和 PyTorch 的输出。默认为 False。
--dynamic-export	bool	决定是否导出有动态输入和输出尺寸的 ONNX 模型。默认为 False。

注解

这个工具仍然是试验性的。一些定制的操作没有被支持，并且我们目前仅支持一部分的文本检测和文本识别算法。

支持导出到 ONNX 的模型列表

下表列出的模型可以保证导出到 ONNX 并且可以在 ONNX Runtime 下运行。

模型	配置	动态尺寸	批推理	注
DBNet	dbnet_r18_fpnc_1200e_icdar2015.py	Y	N
PSENet	psenet_r50_fpnf_600e_ctw1500.py	Y	Y
PSENet	psenet_r50_fpnf_600e_icdar2015.py	Y	Y
PANet	panet_r18_fpem_ffm_600e_ctw1500.py	Y	Y
PANet	panet_r18_fpem_ffm_600e_icdar2015.py	Y	Y
CRNN	crnn_academic_dataset.py	Y	Y	CRNN 仅接受高度为32的输入

注解

• 以上所有模型测试基于 PyTorch==1.8.1，onnxruntime==1.7.0 进行

• 如果你在上述模型中遇到问题，请创建一个issue，我们会尽快处理。

• 因为这个特性是试验性的，可能变动很快，请尽量使用最新版的 mmcv 和 mmocr 尝试。

ONNX 转 TensorRT （试验性的）

我们也提供了从 ONNX 模型转换至 TensorRT 格式的脚本。另外，我们支持比较 ONNX 和 TensorRT 模型的输出结果。

python tools/deployment/onnx2tensorrt.py
    ${MODEL_CONFIG_PATH} \
    ${MODEL_TYPE} \
    ${IMAGE_PATH} \
    ${ONNX_FILE} \
    --trt-file ${OUT_TENSORRT} \
    --max-shape INT INT INT INT \
    --min-shape INT INT INT INT \
    --workspace-size INT \
    --fp16 \
    --verify \
    --show \
    --verbose

参数说明：

参数	类型	描述
model_config	str	模型配置文件的路径。
model_type	'recog', 'det'	配置文件对应的模型类型。
image_path	str	输入图片的路径。
onnx_file	str	输入的 ONNX 文件路径。
--trt-file	str	输出的 TensorRT 模型路径。默认为 tmp.trt。
--max-shape	int * 4	模型输入的最大尺寸。
--min-shape	int * 4	模型输入的最小尺寸。
--workspace-size	int	最大工作空间大小，单位为 GiB。默认为1。
--fp16	bool	决定是否输出 fp16 模式的 TensorRT 模型。默认为 False。
--verify	bool	决定是否验证输出模型的正确性。默认为 False。
--show	bool	决定是否可视化 ONNX 和 TensorRT 的输出。默认为 False。
--verbose	bool	决定是否在创建 TensorRT 引擎时打印日志信息。默认为 False。

注解

这个工具仍然是试验性的。一些定制的操作模型没有被支持。我们目前仅支持一部的文本检测和文本识别算法。

支持导出到 TensorRT 的模型列表

下表列出的模型可以保证导出到 TensorRT 引擎并且可以在 TensorRT 下运行。

模型	配置	动态尺寸	批推理	注
DBNet	dbnet_r18_fpnc_1200e_icdar2015.py	Y	N
PSENet	psenet_r50_fpnf_600e_ctw1500.py	Y	Y
PSENet	psenet_r50_fpnf_600e_icdar2015.py	Y	Y
PANet	panet_r18_fpem_ffm_600e_ctw1500.py	Y	Y
PANet	panet_r18_fpem_ffm_600e_icdar2015.py	Y	Y
CRNN	crnn_academic_dataset.py	Y	Y	CRNN 仅接受高度为32的输入

注解

• 以上所有模型测试基于 PyTorch==1.8.1，onnxruntime==1.7.0，tensorrt==7.2.1.6 进行

• 如果你在上述模型中遇到问题，请创建一个 issue，我们会尽快处理。

• 因为这个特性是试验性的，可能变动很快，请尽量使用最新版的 mmcv 和 mmocr 尝试。

评估 ONNX 和 TensorRT 模型（试验性的）

我们在 tools/deployment/deploy_test.py 中提供了评估 TensorRT 和 ONNX 模型的方法。

前提条件

在评估 ONNX 和 TensorRT 模型之前，首先需要安装 ONNX，ONNXRuntime 和 TensorRT。根据 ONNXRuntime in mmcv 和 TensorRT plugin in mmcv 安装 ONNXRuntime 定制操作和 TensorRT 插件。

使用

python tools/deploy_test.py \
    ${CONFIG_FILE} \
    ${MODEL_PATH} \
    ${MODEL_TYPE} \
    ${BACKEND} \
    --eval ${METRICS} \
    --device ${DEVICE}

参数说明

参数	类型	描述
model_config	str	模型配置文件的路径。
model_file	str	TensorRT 或 ONNX 模型路径。
model_type	'recog', 'det'	部署检测还是识别模型。
backend	'TensorRT', 'ONNXRuntime'	测试后端。
--eval	'acc', 'hmean-iou'	评估指标。“acc”用于识别模型，“hmean-iou”用于检测模型。
--device	str	评估使用的设备。默认为 cuda:0。

结果和模型

模型	配置	数据集	指标	PyTorch	ONNX Runtime	TensorRT FP32	TensorRT FP16
DBNet	dbnet_r18_fpnc_1200e_icdar2015.py	icdar2015	Recall	0.731	0.731	0.678	0.679
			Precision	0.871	0.871	0.844	0.842
			Hmean	0.795	0.795	0.752	0.752
DBNet*	dbnet_r18_fpnc_1200e_icdar2015.py	icdar2015	Recall	0.720	0.720	0.720	0.718
			Precision	0.868	0.868	0.868	0.868
			Hmean	0.787	0.787	0.787	0.786
PSENet	psenet_r50_fpnf_600e_icdar2015.py	icdar2015	Recall	0.753	0.753	0.753	0.752
			Precision	0.867	0.867	0.867	0.867
			Hmean	0.806	0.806	0.806	0.805
PANet	panet_r18_fpem_ffm_600e_icdar2015.py	icdar2015	Recall	0.740	0.740	0.687	N/A
			Precision	0.860	0.860	0.815	N/A
			Hmean	0.796	0.796	0.746	N/A
PANet*	panet_r18_fpem_ffm_600e_icdar2015.py	icdar2015	Recall	0.736	0.736	0.736	N/A
			Precision	0.857	0.857	0.857	N/A
			Hmean	0.792	0.792	0.792	N/A
CRNN	crnn_academic_dataset.py	IIIT5K	Acc	0.806	0.806	0.806	0.806

注解

• TensorRT 上采样（upsample）操作和 PyTorch 有一点不同。对于 DBNet 和 PANet，我们建议把上采样的最近邻 (nearest) 模式代替成双线性 (bilinear) 模式。 PANet 的替换处在这里 ，DBNet 的替换处在这里和这里。如在上表中显示的，带有标记*的网络的上采样模式均被改变了。

• 注意到，相比最近邻模式，使用更改后的上采样模式会降低性能。然而，默认网络的权重是通过最近邻模式训练的。为了保持在部署中的最佳性能，建议在训练和 TensorRT 部署中使用双线性模式。

• 所有 ONNX 和 TensorRT 模型都使用数据集上的动态尺寸进行评估，图像根据原始配置文件进行预处理。

• 这个工具仍然是试验性的。一些定制的操作模型没有被支持。并且我们目前仅支持一部分的文本检测和文本识别算法。