MMagic 模型部署¶
MMagic，又称 mmagic，是基于 PyTorch 的开源图像和视频编辑工具箱。它是 OpenMMLab 项目成员之一。
安装¶
安装 mmdeploy¶
mmdeploy 有以下几种安装方式:
方式一： 安装预编译包
请参考安装概述
方式二： 一键式脚本安装
如果部署平台是 Ubuntu 18.04 及以上版本， 请参考脚本安装说明，完成安装过程。
比如，以下命令可以安装 mmdeploy 以及配套的推理引擎——ONNX Runtime.
git clone --recursive -b main https://github.com/open-mmlab/mmdeploy.git
cd mmdeploy
python3 tools/scripts/build_ubuntu_x64_ort.py $(nproc)
export PYTHONPATH=$(pwd)/build/lib:$PYTHONPATH
export LD_LIBRARY_PATH=$(pwd)/../mmdeploy-dep/onnxruntime-linux-x64-1.8.1/lib/:$LD_LIBRARY_PATH
方式三： 源码安装
在方式一、二都满足不了的情况下，请参考源码安装说明 安装 mmdeploy 以及所需推理引擎。
模型转换¶
你可以使用 tools/deploy.py 把 mmagic 模型一键式转换为推理后端模型。 该工具的详细使用说明请参考这里.
转换的关键之一是使用正确的配置文件。项目中已内置了各后端部署配置文件。 文件的命名模式是：
{task}/{task}_{backend}-{precision}_{static | dynamic}_{shape}.py
其中：
{task}: mmagic 中的任务
mmagic 中任务有多种。目前，mmdeploy 支持其中的超分（super resolution）任务。关于
模型-任务的划分，请参考章节模型支持列表。请务必使用对应的部署文件转换相关的模型。
{backend}: 推理后端名称。比如，onnxruntime、tensorrt、pplnn、ncnn、openvino、coreml 等等
{precision}: 推理精度。比如，fp16、int8。不填表示 fp32
{static | dynamic}: 动态、静态 shape
{shape}: 模型输入的 shape 或者 shape 范围
超分任务模型转换¶
以下，我们将演示如何把 ESRGAN 转换为 onnx 模型。
cd mmdeploy
# download esrgan model from mmagic model zoo
mim download mmagic --config esrgan_psnr-x4c64b23g32_1xb16-1000k_div2k --dest .
# convert esrgan model to onnxruntime model with dynamic shape
python tools/deploy.py \
configs/mmagic/super-resolution/super-resolution_onnxruntime_dynamic.py \
esrgan_psnr-x4c64b23g32_1xb16-1000k_div2k.py \
esrgan_psnr_x4c64b23g32_1x16_1000k_div2k_20200420-bf5c993c.pth \
demo/resources/face.png \
--work-dir mmdeploy_models/mmagic/ort \
--device cpu \
--show \
--dump-info
你也可以把 ESRGAN 转为其他后端模型。比如使用super-resolution/super-resolution_tensorrt-_dynamic-32x32-512x512.py，把模型转为 tensorrt 模型。
小技巧
当转 tensorrt 模型时, –device 需要被设置为 “cuda”
模型规范¶
在使用转换后的模型进行推理之前，有必要了解转换结果的结构。 它存放在 --work-dir 指定的路路径下。
上例中的mmdeploy_models/mmagic/ort，结构如下：
mmdeploy_models/mmagic/ort
├── deploy.json
├── detail.json
├── end2end.onnx
└── pipeline.json
重要的是：
end2end.onnx: 推理引擎文件。可用 ONNX Runtime 推理
*.json: mmdeploy SDK 推理所需的 meta 信息
整个文件夹被定义为mmdeploy SDK model。换言之，mmdeploy SDK model既包括推理引擎，也包括推理 meta 信息。
模型推理¶
后端模型推理¶
以上述模型转换后的 end2end.onnx 为例，你可以使用如下代码进行推理：
from mmdeploy.apis.utils import build_task_processor
from mmdeploy.utils import get_input_shape, load_config
import torch
deploy_cfg = 'configs/mmagic/super-resolution/super-resolution_onnxruntime_dynamic.py'
model_cfg = 'esrgan_psnr-x4c64b23g32_1xb16-1000k_div2k.py'
device = 'cpu'
backend_model = ['./mmdeploy_models/mmagic/ort/end2end.onnx']
image = './demo/resources/face.png'
# read deploy_cfg and model_cfg
deploy_cfg, model_cfg = load_config(deploy_cfg, model_cfg)
# build task and backend model
task_processor = build_task_processor(model_cfg, deploy_cfg, device)
model = task_processor.build_backend_model(backend_model)
# process input image
input_shape = get_input_shape(deploy_cfg)
model_inputs, _ = task_processor.create_input(image, input_shape)
# do model inference
with torch.no_grad():
result = model.test_step(model_inputs)
# visualize results
task_processor.visualize(
image=image,
model=model,
result=result[0],
window_name='visualize',
output_file='output_restorer.bmp')
SDK 模型推理¶
你也可以参考如下代码，对 SDK model 进行推理：
from mmdeploy_runtime import Restorer
import cv2
img = cv2.imread('./demo/resources/face.png')
# create a classifier
restorer = Restorer(model_path='./mmdeploy_models/mmagic/ort', device_name='cpu', device_id=0)
# perform inference
result = restorer(img)
# visualize inference result
# convert to BGR
result = result[..., ::-1]
cv2.imwrite('output_restorer.bmp', result)
除了python API，mmdeploy SDK 还提供了诸如 C、C++、C#、Java等多语言接口。 你可以参考样例学习其他语言接口的使用方法。
模型支持列表¶
| Model | Task | ONNX Runtime | TensorRT | ncnn | PPLNN | OpenVINO |
|---|---|---|---|---|---|---|
| SRCNN | super-resolution | Y | Y | Y | Y | Y |
| ESRGAN | super-resolution | Y | Y | Y | Y | Y |
| ESRGAN-PSNR | super-resolution | Y | Y | Y | Y | Y |
| SRGAN | super-resolution | Y | Y | Y | Y | Y |
| SRResNet | super-resolution | Y | Y | Y | Y | Y |
| Real-ESRGAN | super-resolution | Y | Y | Y | Y | Y |
| EDSR | super-resolution | Y | Y | Y | N | Y |
| RDN | super-resolution | Y | Y | Y | Y | Y |