欢迎来到 MMDeploy 的中文文档！¶ 点击页面左下角切换中英文。 快速上手 操作概述 流程简介 准备工作 安装 MMDeploy 模型转换 模型推理 模型精度评估 编译 源码手动安装 使用 Docker 镜像 一键式脚本安装 cmake 编译选项说明 运行和测试 如何转换模型 如何写模型转换配置 如何 Profile 模型 如何量化模型 更多工具介绍 SDK 使用 SDK 使用说明 Benchmark 模型支持列表 精度速度测试结果 边、端设备测试结果 TVM 测试 量化测试结果 支持的算法框架 MMPretrain 模型部署 MMDetection 模型部署 MMDetection3d 模型部署 MMagic 模型部署 MMOCR 模型部署 MMPose 模型部署 MMRotate 模型部署 MMSegmentation 模型部署 MMAction2 模型部署 支持的推理后端 ncnn 支持情况 onnxruntime 支持情况 OpenVINO Support PPLNN 支持情况 支持的 RKNN 特征 SNPE 支持情况 TensorRT 支持情况 TorchScript 支持情况 TVM 特性支持 Core ML 支持情况 自定义算子 ncnn 自定义算子 onnxruntime 自定义算子 TRT 自定义算子 开发者指南 mmdeploy 各目录功能 如何支持新的模型 如何支持新的后端 为推理 ops 添加测试单元 测试模型重写 如何拆分 onnx 模型 如何进行回归测试 实验特性 ONNX export Optimizer 新人解说 第一章：模型部署简介 第二章：解决模型部署中的难题 第三章：PyTorch 转 ONNX 详解 第四章：在 PyTorch 中支持更多 ONNX 算子 第五章：ONNX 模型的修改与调试 第六章： TensorRT 模型构建与推理 第七章： TensorRT 自定义插件 附录 Ubuntu18.04 交叉编译 NDK snpe 推理服务 常见问题 FAQ 语言切换 English 简体中文 API 文档 apis apis/tensorrt apis/onnxruntime apis/ncnn apis/pplnn Indices and tables¶ 索引 搜索页面