RetinaNet 与 TAO Deploy
从 tao model export 生成的 RetinaNet .onnx` 文件被用作 tao deploy 的输入，以生成优化的 TensorRT 引擎。有关训练 RetinaNet 的更多信息，请参阅 RetinaNet 训练文档。
可以使用与 tao model retinanet export 命令相同的 spec 文件。
使用以下命令运行 RetinaNet 引擎生成
tao deploy retinanet gen_trt_engine [-h] [-v]
-m MODEL_PATH
-e EXPERIMENT_SPEC
-r RESULTS_DIR
[-k KEY]
[--data_type {fp32,fp16,int8}]
[--engine_file ENGINE_FILE]
[--cal_image_dir CAL_IMAGE_DIR]
[--cal_data_file CAL_DATA_FILE]
[--cal_cache_file CAL_CACHE_FILE]
[--cal_json_file CAL_JSON_FILE]
[--max_batch_size MAX_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-e, --experiment_spec：用于设置 TensorRT 引擎生成的实验 spec 文件。这应该与导出规范文件相同。-r, --results_dir：将要转储 JSON 状态日志文件的目录
可选参数
-h, --help：显示此帮助消息并退出。-k, --key：用于加载.etlt模型的用户特定编码密钥--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，此文件是特定于硬件的，不能在 GPU 之间通用。由于 TensorRT 引擎文件是特定于硬件的，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，您可以指定要运行导出的 GPU 索引。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_data_file：为校准引擎生成的 Tensorfile。如果与--cal_image_dir一起使用，它也可以是输出文件。--cal_image_dir：用于校准的图像目录。
--cal_image_dir 参数用于图像，并应用必要的预处理以在 --cal_data_file 参数中提到的路径生成 tensorfile，该文件反过来用于校准。tensorfile 中批次的数量从设置为 --batches 参数的值获得，batch_size 从设置为 --batch_size 参数的值获得。请确保 --cal_image_dir 中提到的目录至少有 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 模型的输入层导出。
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。--cal_json_file：包含 QAT 模型张量比例的 json 文件的路径。如果要生成 QAT 模型的引擎，则此参数是必需的。--batches：用于校准的批次数。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。--max_workspace_size：TensorRT 引擎的最大工作区大小，单位为 Gb。默认值为：（2 Gb）。--force_ptq：一个布尔标志，用于强制对导出的 etlt 模型进行后训练量化。
当为启用 QAT 训练的模型生成 TensorRT 引擎时，需要由 cal_cache_file 参数定义的张量比例因子。但是，请注意，当前版本的 QAT 本机不支持 Jetson 中的 DLA int8 部署。为了在具有 DLA int8 的 Jetson 上部署此模型，请使用 --force_ptq 标志以使用 TensorRT 后训练量化来生成校准缓存文件。
示例用法
以下是使用 gen_trt_engine 命令生成 INT8 TensorRT 引擎的示例
tao deploy retinanet gen_trt_engine -m /workspace/ssd_resnet18_epoch_100_int8.onnx \
-e /workspace/ssd_retrain_resnet18_kitti.txt \
-r /export/ \
--cal_image_dir /workspace/data/training/image_2 \
--data_type int8 \
--batch_size 8 \
--batches 10 \
--cal_cache_file /export/cal.bin \
--cal_data_file /export/cal.tensorfile \
--engine_file /export/int8.engine
与 TAO 评估 spec 文件相同的 spec 文件。示例 spec 文件
eval_config {
batch_size: 8
matching_iou_threshold: 0.5
}
nms_config {
confidence_threshold: 0.001
}
augmentation_config {
output_width: 1248
output_height: 384
output_channel: 3
}
dataset_config {
validation_data_sources: {
image_directory_path: "/workspace/tao-experiments/data/val/images"
label_directory_path: "/workspace/tao-experiments/data/val/labels"
}
image_extension: "png"
target_class_mapping {
key: "car"
value: "car"
}
target_class_mapping {
key: "pedestrian"
value: "pedestrian"
}
target_class_mapping {
key: "cyclist"
value: "cyclist"
}
target_class_mapping {
key: "van"
value: "car"
}
target_class_mapping {
key: "person_sitting"
value: "pedestrian"
}
validation_fold: 0
}
使用以下命令运行 RetinaNet 引擎评估
tao deploy retinanet evaluate [-h]
-e EXPERIMENT_SPEC
-m MODEL_PATH
-r RESULTS_DIR
[-i IMAGE_DIR]
[-l LABEL_DIR]
[-b BATCH_SIZE]
[--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：将存储评估结果的目录
可选参数
-i, --image_dir：测试图像所在的目录。如果未指定，将使用 spec 文件中的validation_data_sources.image_directory_path。-l, --label_dir：测试注释所在的目录。如果未指定，将使用 spec 文件中的validation_data_sources.label_directory_path。-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
以下是使用 evaluate 命令运行 TensorRT 引擎评估的示例
tao deploy retinanet evaluate -m /export/int8.engine \
-e /workspace/ssd_retrain_resnet18_kitti.txt \
-i /workspace/tao-experiments/data/val/images \
-l /workspace/tao-experiments/data/val/labels \
-r /workspace/tao-experiments/evaluate
tao deploy retinanet inference [-h]
-e EXPERIMENT_SPEC
-m MODEL_PATH
-r RESULTS_DIR
[-i IMAGE_DIR]
[-b BATCH_SIZE]
[--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：将存储评估结果的目录
可选参数
-i, --image_dir：测试图像所在的目录。如果未指定，将使用 spec 文件中的validation_data_sources.image_directory_path。-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
以下是使用 inference 命令运行 TensorRT 引擎推理的示例
tao deploy retinanet inference -m /export/int8.engine \
-e /workspace/ssd_retrain_resnet18_kitti.txt \
-i /workspace/tao-experiments/data/val/images \
-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。