TAO Converter with YOLOv4-tiny

TAO 提供了 tao-converter 工具，以方便在 TensorRT 和/或 Deepstream 上部署 TAO 训练的模型。本节详细说明如何使用 tao-converter 生成 TensorRT 引擎。

对于具有基于 x86 的 CPU 和独立 GPU 的部署平台，tao-converter 分布在 TAO docker 容器中。因此，我们建议使用 docker 容器来生成引擎。但是，这要求用户遵守与 docker 容器中分发的 TensorRT 相同的次要版本。TAO docker 容器包含 TensorRT 8.0 版本。

对于具有独立 GPU 的 x86 平台，默认的 TAO 软件包包含为 TensorRT 8.2.5.1 构建的 tao-converter，该版本带有 CUDA 11.4 和 CUDNN 8.2。但是，对于任何其他版本的 CUDA 和 TensorRT，请参阅概述部分进行下载。下载 tao-converter 后，请按照以下说明生成 TensorRT 引擎。

1. 在目标机器上解压缩 zip 文件。

2. 使用以下命令安装 OpenSSL 软件包

   复制

   已复制！

               
   
               
   sudo apt-get install libssl-dev
           

3. 导出以下环境变量

            

            
$ export TRT_LIB_PATH=”/usr/lib/x86_64-linux-gnu”
$ export TRT_INC_PATH=”/usr/include/x86_64-linux-gnu”
        

4. 使用以下示例命令运行 tao-converter 并生成引擎。

5. 有关在 Jetson 上构建 TensorRT OSS 的说明，请参见上面的 TensorRT OSS on x86 部分或此 GitHub 仓库。

对于 Jetson 平台，tao-converter 可在 NVIDIA 开发者专区下载。您可以选择您希望下载的版本，如概述部分所列。下载 tao-converter 后，请按照以下说明生成 TensorRT 引擎。

1. 在目标机器上解压缩 zip 文件。

2. 使用以下命令安装 OpenSSL 软件包

   复制

   已复制！

               
   
               
   sudo apt-get install libssl-dev
           

3. 导出以下环境变量

            

            
$ export TRT_LIB_PATH=”/usr/lib/aarch64-linux-gnu”
$ export TRT_INC_PATH=”/usr/include/aarch64-linux-gnu”
        

1. 对于 Jetson 设备，TensorRT 预装在 Jetpack 中。如果您使用的是较旧的 JetPack，请升级到 JetPack-5.0DP。

2. 有关在 Jetson 上构建 TensorRT OSS 的说明，请参见上面的 TensorRT OSS on Jetson (ARM64) 部分或此 GitHub 仓库。

3. 使用以下示例命令运行 tao-converter 并生成引擎。

            

            
tao-converter [-h] -k <encryption_key>
              -d <input_dimensions>
              -o <comma separated output nodes>
              [-c <path to calibration cache file>]
              [-e <path to output engine>]
              [-b <calibration batch size>]
              [-m <maximum batch size of the TRT engine>]
              [-t <engine datatype>]
              [-w <maximum workspace size of the TRT Engine>]
              [-i <input dimension ordering>]
              [-p <optimization_profiles>]
              [-s]
              [-u <DLA_core>]
              input_file
        

必需参数

• input_file：使用 tao model yolo_v4_tiny export 导出的 .etlt 模型的路径。

• -k：训练时用于编码 .tlt 模型的密钥。

• -d：以逗号分隔的输入维度列表，应与用于 tao model yolo_v4_tiny export 的维度匹配。

• -o：以逗号分隔的输出 blob 名称列表，应与用于 tao model yolo_v4_tiny export 的输出配置匹配。对于 YOLOv4-tiny，请将此参数设置为 BatchedNMS。

• -p：用于具有动态形状的 .etlt 模型的优化配置文件。使用逗号分隔的优化配置文件形状列表，格式为 <input_name>,<min_shape>,<opt_shape>,<max_shape>，其中每个形状的格式为：<n>x<c>x<h>x<w>。YOLOv4-tiny 的输入名称为 Input

可选参数

• -e：保存引擎的路径。默认路径为 ./saved.engine。

• -t：所需的引擎数据类型。选项为 {fp32, fp16, int8}。默认值为 fp32。校准缓存以 INT8 模式生成。

• -w：TensorRT 引擎的最大工作区大小。默认值为 1073741824(1<<30)。

• -i：输入维度顺序；所有其他 TAO 命令都使用 NCHW。选项为 {nchw, nhwc, nc}。默认值为 nchw，因此您可以为 YOLOv4-tiny 省略此参数。

• -s：TensorRT 严格类型约束。一个布尔值，用于在构建 TensorRT 引擎时应用 TensorRT 严格类型约束。

• -u：在 Jetson 设备上构建 TensorRT 引擎时指定 DLA 核心索引（仅在使用 DLA 核心时需要）。

INT8 模式参数

• -c：校准缓存文件的路径（仅在 INT8 模式下使用）。默认值为 ./cal.bin。

• -b：在导出步骤中用于 INT8 校准缓存生成的批次大小（默认值：8）。

• -m：TensorRT 引擎的最大批次大小（默认值：16）。如果遇到内存不足问题，请相应地减小批次大小。对于使用动态形状生成的 .etlt 模型（仅适用于自版本 3.0 以来引入的新模型），此参数不是必需的。

示例输出日志

以下是导出 YOLOv4-tiny 模型的示例日志

            

            
tao-converter -k $KEY  \
              -p Input,1x3x384x1248,8x3x384x1248,16x3x384x1248 \
              -e /export/trt.fp16.engine \
              -t fp16 \
              /ws/yolov4_cspdarknet_tiny_epoch_100.etlt