除了训练和测试的脚本,我们在 tools/
文件夹路径下还提供许多有用的工具。
我们基于 flops-counter.pytorch 提供了一个用于计算给定模型参数量和计算量的脚本。
python tools/get_flops.py ${CONFIG_FILE} [--shape ${INPUT_SHAPE}]
您将得到如下的结果:
==============================
Input shape: (3, 2048, 1024)
Flops: 1429.68 GMac
Params: 48.98 M
==============================
注意: 这个工具仍然是试验性的,我们无法保证数字是正确的。您可以拿这些结果做简单的实验的对照,在写技术文档报告或者论文前您需要再次确认一下。
(1) 计算量与输入的形状有关,而参数量与输入的形状无关,默认的输入形状是 (1, 3, 1280, 800); (2) 一些运算操作,如 GN 和其他定制的运算操作没有加入到计算量的计算中。
在您上传一个模型到云服务器之前,您需要做以下几步: (1) 将模型权重转成 CPU 张量; (2) 删除记录优化器状态 (optimizer states)的相关信息; (3) 计算检查点文件 (checkpoint file) 的哈希编码(hash id)并且将哈希编码加到文件名中。
python tools/publish_model.py ${INPUT_FILENAME} ${OUTPUT_FILENAME}
例如,
python tools/publish_model.py work_dirs/pspnet/latest.pth psp_r50_hszhao_200ep.pth
最终输出文件将是 psp_r50_512x1024_40ki_cityscapes-{hash id}.pth
。
我们提供了一个脚本来导出模型到 ONNX 格式。被转换的模型可以通过工具 Netron 来可视化。除此以外,我们同样支持对 PyTorch 和 ONNX 模型的输出结果做对比。
python tools/pytorch2onnx.py \
${CONFIG_FILE} \
--checkpoint ${CHECKPOINT_FILE} \
--output-file ${ONNX_FILE} \
--input-img ${INPUT_IMG} \
--shape ${INPUT_SHAPE} \
--rescale-shape ${RESCALE_SHAPE} \
--show \
--verify \
--dynamic-export \
--cfg-options \
model.test_cfg.mode="whole"
各个参数的描述:
config
: 模型配置文件的路径--checkpoint
: 模型检查点文件的路径--output-file
: 输出的 ONNX 模型的路径。如果没有专门指定,它默认是tmp.onnx
--input-img
: 用来转换和可视化的一张输入图像的路径--shape
: 模型的输入张量的高和宽。如果没有专门指定,它将被设置成test_pipeline
的img_scale
--rescale-shape
: 改变输出的形状。设置这个值来避免 OOM,它仅在slide
模式下可以用--show
: 是否打印输出模型的结构。如果没有被专门指定,它将被设置成False
--verify
: 是否验证一个输出模型的正确性 (correctness)。如果没有被专门指定,它将被设置成False
--dynamic-export
: 是否导出形状变化的输入与输出的 ONNX 模型。如果没有被专门指定,它将被设置成False
--cfg-options
: 更新配置选项
注意: 这个工具仍然是试验性的,目前一些自定义操作还没有被支持
我们提供 tools/deploy_test.py
去评估不同后端的 ONNX 模型。
-
安装 onnx 和 onnxruntime-gpu
pip install onnx onnxruntime-gpu
-
参考 如何在 MMCV 里构建 tensorrt 插件 安装TensorRT (可选)
python tools/deploy_test.py \
${CONFIG_FILE} \
${MODEL_FILE} \
${BACKEND} \
--out ${OUTPUT_FILE} \
--eval ${EVALUATION_METRICS} \
--show \
--show-dir ${SHOW_DIRECTORY} \
--cfg-options ${CFG_OPTIONS} \
--eval-options ${EVALUATION_OPTIONS} \
--opacity ${OPACITY} \
各个参数的描述:
config
: 模型配置文件的路径model
: 被转换的模型文件的路径backend
: 推理的后端,可选项:onnxruntime
,tensorrt
--out
: 输出结果成 pickle 格式文件的路径--format-only
: 不评估直接给输出结果的格式。通常用在当您想把结果输出成一些测试服务器需要的特定格式时。如果没有被专门指定,它将被设置成False
。 注意这个参数是用--eval
来 手动添加--eval
: 评估指标,取决于每个数据集的要求,例如 "mIoU" 是大多数据集的指标而 "cityscapes" 仅针对 Cityscapes 数据集。注意这个参数是用--format-only
来 手动添加--show
: 是否展示结果--show-dir
: 涂上结果的图像被保存的文件夹的路径--cfg-options
: 重写配置文件里的一些设置,xxx=yyy
格式的键值对将被覆盖到配置文件里--eval-options
: 自定义的评估的选项,xxx=yyy
格式的键值对将成为dataset.evaluate()
函数的参数变量--opacity
: 涂上结果的分割图的透明度,范围在 (0, 1] 之间
模型 | 配置文件 | 数据集 | 评价指标 | PyTorch | ONNXRuntime | TensorRT-fp32 | TensorRT-fp16 |
---|---|---|---|---|---|---|---|
FCN | fcn_r50-d8_512x1024_40k_cityscapes.py | cityscapes | mIoU | 72.2 | 72.2 | 72.2 | 72.2 |
PSPNet | pspnet_r50-d8_512x1024_40k_cityscapes.py | cityscapes | mIoU | 77.8 | 77.8 | 77.8 | 77.8 |
deeplabv3 | deeplabv3_r50-d8_512x1024_40k_cityscapes.py | cityscapes | mIoU | 79.0 | 79.0 | 79.0 | 79.0 |
deeplabv3+ | deeplabv3plus_r50-d8_512x1024_40k_cityscapes.py | cityscapes | mIoU | 79.6 | 79.5 | 79.5 | 79.5 |
PSPNet | pspnet_r50-d8_769x769_40k_cityscapes.py | cityscapes | mIoU | 78.2 | 78.1 | ||
deeplabv3 | deeplabv3_r50-d8_769x769_40k_cityscapes.py | cityscapes | mIoU | 78.5 | 78.3 | ||
deeplabv3+ | deeplabv3plus_r50-d8_769x769_40k_cityscapes.py | cityscapes | mIoU | 78.9 | 78.7 |
注意: TensorRT 仅在使用 whole mode
测试模式时的配置文件里可用。
我们同样提供一个脚本去把模型导出成 TorchScript 格式。您可以使用 pytorch C++ API LibTorch 去推理训练好的模型。 被转换的模型能被像 Netron 的工具来可视化。此外,我们还支持 PyTorch 和 TorchScript 模型的输出结果的比较。
python tools/pytorch2torchscript.py \
${CONFIG_FILE} \
--checkpoint ${CHECKPOINT_FILE} \
--output-file ${ONNX_FILE}
--shape ${INPUT_SHAPE}
--verify \
--show
各个参数的描述:
config
: pytorch 模型的配置文件的路径--checkpoint
: pytorch 模型的检查点文件的路径--output-file
: TorchScript 模型输出的路径,如果没有被专门指定,它将被设置成tmp.pt
--input-img
: 用来转换和可视化的输入图像的路径--shape
: 模型的输入张量的宽和高。如果没有被专门指定,它将被设置成512 512
--show
: 是否打印输出模型的追踪图 (traced graph),如果没有被专门指定,它将被设置成False
--verify
: 是否验证一个输出模型的正确性 (correctness),如果没有被专门指定,它将被设置成False
注意: 目前仅支持 PyTorch>=1.8.0 版本
注意: 这个工具仍然是试验性的,一些自定义操作符目前还不被支持
例子:
-
导出 PSPNet 在 cityscapes 数据集上的 pytorch 模型
python tools/pytorch2torchscript.py configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py \ --checkpoint checkpoints/pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth \ --output-file checkpoints/pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pt \ --shape 512 1024
先决条件
- 按照 ONNXRuntime in mmcv 和 TensorRT plugin in mmcv ,用 ONNXRuntime 自定义运算 (custom ops) 和 TensorRT 插件安装
mmcv-full
- 使用 pytorch2onnx 将模型从 PyTorch 转成 ONNX
使用方法
python ${MMSEG_PATH}/tools/onnx2tensorrt.py \
${CFG_PATH} \
${ONNX_PATH} \
--trt-file ${OUTPUT_TRT_PATH} \
--min-shape ${MIN_SHAPE} \
--max-shape ${MAX_SHAPE} \
--input-img ${INPUT_IMG} \
--show \
--verify
各个参数的描述:
config
: 模型的配置文件model
: 输入的 ONNX 模型的路径--trt-file
: 输出的 TensorRT 引擎的路径--max-shape
: 模型的输入的最大形状--min-shape
: 模型的输入的最小形状--fp16
: 做 fp16 模型转换--workspace-size
: 在 GiB 里的最大工作空间大小 (Max workspace size)--input-img
: 用来可视化的图像--show
: 做结果的可视化--dataset
: Palette provider, 默认为CityscapesDataset
--verify
: 验证 ONNXRuntime 和 TensorRT 的输出--verbose
: 当创建 TensorRT 引擎时,是否详细做信息日志。默认为 False
注意: 仅在全图测试模式 (whole mode) 下测试过
tools/print_config.py
会逐字逐句的打印整个配置文件,展开所有的导入。
python tools/print_config.py \
${CONFIG} \
--graph \
--cfg-options ${OPTIONS [OPTIONS...]} \
各个参数的描述:
config
: pytorch 模型的配置文件的路径--graph
: 是否打印模型的图 (models graph)--cfg-options
: 自定义替换配置文件的选项
tools/analyze_logs.py
会画出给定的训练日志文件的 loss/mIoU 曲线,首先需要 pip install seaborn
安装依赖包。
python tools/analyze_logs.py xxx.log.json [--keys ${KEYS}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUT_FILE}]
示例:
-
对 mIoU, mAcc, aAcc 指标画图
python tools/analyze_logs.py log.json --keys mIoU mAcc aAcc --legend mIoU mAcc aAcc
-
对 loss 指标画图
python tools/analyze_logs.py log.json --keys loss --legend loss
tools/model_converters/
提供了若干个预训练权重转换脚本,支持将其他仓库的预训练权重的 key 转换为与 MMSegmentation 相匹配的 key。
- ViT
tools/model_converters/vit2mmseg.py
将 timm 预训练模型转换到 MMSegmentation。
python tools/model_converters/vit2mmseg.py ${SRC} ${DST}
-
Swin
tools/model_converters/swin2mmseg.py
将官方预训练模型转换到 MMSegmentation。python tools/model_converters/swin2mmseg.py ${SRC} ${DST}
-
SegFormer
tools/model_converters/mit2mmseg.py
将官方预训练模型转换到 MMSegmentation。python tools/model_converters/mit2mmseg.py ${SRC} ${DST}
为了用 TorchServe
服务 MMSegmentation
的模型 , 您可以遵循如下流程:
python tools/mmseg2torchserve.py ${CONFIG_FILE} ${CHECKPOINT_FILE} \
--output-folder ${MODEL_STORE} \
--model-name ${MODEL_NAME}
注意: ${MODEL_STORE} 需要设置为某个文件夹的绝对路径
docker build -t mmseg-serve:latest docker/serve/
请查阅官方文档: 使用容器运行 TorchServe
为了在 GPU 环境下使用, 您需要安装 nvidia-docker. 若在 CPU 环境下使用,您可以忽略添加 --gpus
参数。
示例:
docker run --rm \
--cpus 8 \
--gpus device=0 \
-p8080:8080 -p8081:8081 -p8082:8082 \
--mount type=bind,source=$MODEL_STORE,target=/home/model-server/model-store \
mmseg-serve:latest
阅读关于推理 (8080), 管理 (8081) 和指标 (8082) APIs 的 文档 。
curl -O https://github.com/raw/open-mmlab/mmsegmentation/master/resources/3dogs.jpg
curl http://127.0.0.1:8080/predictions/${MODEL_NAME} -T 3dogs.jpg -o 3dogs_mask.png
得到的响应将是一个 ".png" 的分割掩码.
您可以按照如下方法可视化输出:
import matplotlib.pyplot as plt
import mmcv
plt.imshow(mmcv.imread("3dogs_mask.png", "grayscale"))
plt.show()
看到的东西将会和下图类似: