MMPose 模型部署¶
MMPose，又称 mmpose，是一个基于 PyTorch 的姿态估计的开源工具箱，是 OpenMMLab 项目的成员之一。
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 mmpose 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.
以下，我们将演示如何把 hrnet 转换为 onnx 模型。
cd mmdeploy
# download hrnet model from mmpose model zoo
mim download mmpose --config td-hm_hrnet-w32_8xb64-210e_coco-256x192 --dest .
# convert mmdet model to onnxruntime model with static shape
python tools/deploy.py \
configs/mmpose/pose-detection_onnxruntime_static.py \
td-hm_hrnet-w32_8xb64-210e_coco-256x192.py \
hrnet_w32_coco_256x192-c78dce93_20200708.pth \
demo/resources/human-pose.jpg \
--work-dir mmdeploy_models/mmpose/ort \
--device cpu \
--show
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：
pose-detection_{backend}-{precision}_{static | dynamic}_{shape}.py
其中：
{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
在上例中，你也可以把 hrnet 转为其他后端模型。比如使用pose-detection_tensorrt_static-256x192.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/mmpose/ort，结构如下：
mmdeploy_models/mmpose/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/mmpose/pose-detection_onnxruntime_static.py'
model_cfg = 'td-hm_hrnet-w32_8xb64-210e_coco-256x192.py'
device = 'cpu'
backend_model = ['./mmdeploy_models/mmpose/ort/end2end.onnx']
image = './demo/resources/human-pose.jpg'
# 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_pose.png')
SDK 模型推理¶
TODO
模型支持列表¶
| Model | Task | ONNX Runtime | TensorRT | ncnn | PPLNN | OpenVINO |
|---|---|---|---|---|---|---|
| HRNet | PoseDetection | Y | Y | Y | N | Y |
| MSPN | PoseDetection | Y | Y | Y | N | Y |
| LiteHRNet | PoseDetection | Y | Y | Y | N | Y |
| Hourglass | PoseDetection | Y | Y | Y | N | Y |
| SimCC | PoseDetection | Y | Y | Y | N | Y |
| RTMPose | PoseDetection | Y | Y | Y | N | Y |
| YoloX-Pose | PoseDetection | Y | Y | N | N | Y |
| RTMO | PoseDetection | Y | Y | N | N | N |