EfficientDet (TF1) with TAO Deploy
TF1 EfficientDet onnx 文件从 tao model export 生成，并作为 tao deploy 的输入，以生成优化的 TensorRT 引擎。有关训练 TF1 EfficientDet 的更多信息，请参阅 TF1 EfficientDet 训练文档。
可以使用与 tao model efficientdet_tf1 export 命令相同的 spec 文件。
使用以下命令运行 TF1 EfficientDet 引擎生成
tao deploy efficientdet_tf1 gen_trt_engine [-h] [-v]
-m MODEL_PATH
-r RESULTS_DIR
[-k KEY]
[--data_type {fp32,fp16,int8}]
[--engine_file ENGINE_FILE]
[--cal_image_dir CAL_IMAGE_DIR]
[--cal_cache_file CAL_CACHE_FILE]
[--max_batch_size MAX_BATCH_SIZE]
[--min_batch_size MIN_BATCH_SIZE]
[--opt_batch_size OPT_BATCH_SIZE]
[--batch_size BATCH_SIZE]
[--batches BATCHES]
[--max_workspace_size MAX_WORKSPACE_SIZE]
[-s STRICT_TYPE_CONSTRAINTS]
[--force_ptq FORCE_PTQ]
[--gpu_index GPU_INDEX]
[--log_file LOG_FILE]
必需参数
-m, --model_path：要转换的.onnx或.etlt模型-r, --results_dir：JSON 状态日志文件将要转储到的目录
可选参数
-h, --help：显示此帮助消息并退出。-k, --key：用户特定的编码密钥，用于加载.etlt模型--data_type：所需的引擎数据类型。选项为fp32、fp16、int8。默认值为fp32。校准缓存将在 INT8 模式下生成。如果使用 INT8，则需要以下 INT8 参数。--engine_file：序列化的 TensorRT 引擎文件的路径。请注意，此文件是硬件特定的，不能在 GPU 之间通用。由于 TensorRT 引擎文件是硬件特定的，因此除非部署 GPU 与训练 GPU 完全相同，否则您不能将此引擎文件用于部署。-s, --strict_type_constraints：一个布尔标志，指示在构建 TensorRT 引擎时是否应用 TensorRT 严格类型约束。--gpu_index：用于导出模型的（离散）GPU 的索引。如果机器安装了多个 GPU，您可以指定 GPU 的索引以运行导出。请注意，gen_trt_engine 只能在单个 GPU 上运行。--log_file：日志文件的路径。默认路径为“stdout”。
INT8 引擎生成必需参数
--cal_image_dir：用于校准的图像目录。
批次数量从设置为 --batches 参数的值中获得，而 batch_size 从设置为 --batch_size 参数的值中获得。对于 EfficientDet，校准作为一个单步过程发生，数据批次是动态生成的。请确保 --cal_image_dir 中提到的目录至少包含 batch_size * batches 张图像。有效图像扩展名为 .jpg、.jpeg 和 .png。在这种情况下，校准张量的 input_dimensions 从 .etlt 模型的输入层派生。
INT8 引擎生成可选参数
--cal_cache_file：用于保存校准缓存文件的路径。默认值为./cal.bin。--batches：用于校准的批次数量。默认值为 10。--batch_size：用于校准的批次大小。默认值为 1。--max_batch_size：TensorRT 引擎的最大批次大小。默认值为 1。--min_batch_size：TensorRT 引擎的最小批次大小。默认值为 1。--opt_batch_size：TensorRT 引擎的最佳批次大小。默认值为 1。--max_workspace_size：TensorRT 引擎的最大工作区大小，单位为 Gb。默认值为：(2 Gb)。
示例用法
这是一个使用 gen_trt_engine 命令生成 INT8 TensorRT 引擎的示例
tao deploy efficientdet_tf1 gen_trt_engine -m /workspace/model.step-1000.onnx \
-r /export/ \
--data_type int8 \
--batch_size 8 \
--batches 10 \
--cal_cache_file /export/cal.bin \
--cal_cache_file /export/cal.bin \
--cal_image_dir /workspace/raw-data/val2017 \
--engine_file /export/int8.engine
标签文件将从 spec 文件中的 dataset_config.validation_json_file 派生。与 TAO 评估 spec 文件相同的 spec 文件。示例 spec 文件
dataset_config {
num_classes: 91
image_size: "512,512"
training_file_pattern: "/workspace/tao-experiments/data/train*.tfrecord"
validation_file_pattern: "/workspace/tao-experiments/data/val*.tfrecord"
validation_json_file: "/workspace/tao-experiments/data/raw-data/annotations/instances_val2017.json"
max_instances_per_image: 100
skip_crowd_during_training: True
}
eval_config {
eval_batch_size: 16
eval_epoch_cycle: 2
eval_samples: 500
min_score_thresh: 0.4
max_detections_per_image: 100
}
使用以下命令运行 TF1 EfficientDet 引擎评估
tao deploy efficientdet_tf1 evaluate [-h]
-e EXPERIMENT_SPEC
-m MODEL_PATH
-r RESULTS_DIR
[-i IMAGE_DIR]
[--gpu_index GPU_INDEX]
[--log_file LOG_FILE]
必需参数
-e, --experiment_spec：用于评估的实验 spec 文件。这应该与 tao evaluate 规范文件相同。-m, --model_path：要运行评估的引擎文件。-r, --results_dir：评估结果将存储在其中的目录。
可选参数
-i, --image_dir：测试图像所在的目录
示例用法
这是一个使用 evaluate 命令通过 TensorRT 引擎运行评估的示例
tao deploy efficientdet_tf1 evaluate -m /export/int8.engine \
-e /workspace/efficientdet_retrain.txt \
-i /workspace/raw-data/val2017 \
-r /workspace/tao-experiments/inference
tao deploy efficientdet_tf1 inference [-h]
-e EXPERIMENT_SPEC
-m MODEL_PATH
[-i IMAGE_DIR]
[-b BATCH_SIZE]
[-r RESULTS_DIR]
[--gpu_index GPU_INDEX]
[--log_file LOG_FILE]
必需参数
-e, --experiment_spec：用于评估的实验 spec 文件。这应该与 tao evaluate 规范文件相同。-m, --model_path：要运行评估的引擎文件。-r, --results_dir：评估结果将存储在其中的目录。
可选参数
-i, --image_dir：测试图像所在的目录-b, --batch_size：用于评估的批次大小。请注意，此值不能大于引擎生成期间使用的--max_batch_size。如果未指定，则将使用eval_config.batch_size代替。
示例用法
这是一个使用 inference 命令通过 TensorRT 引擎运行推理的示例
tao deploy efficientdet_tf1 inference -m /export/int8.engine \
-e /workspace/efficientdet_retrain.txt \
-i /workspace/raw-data/val2017 \
-r /workspace/tao-experiments/inference
可视化结果将存储在 $RESULTS_DIR/images_annotated 下，KITTI 格式的预测将存储在 $RESULTS_DIR/labels 下。