【深度学习】【OnnxRuntime】【C++】模型转化、环境搭建以及模型部署的详细教程
提示:博主取舍了很多大佬的博文并亲测有效,分享笔记邀大家共同学习讨论
文章目录
【深度学习】【OnnxRuntime】【C++】模型转化、环境搭建以及模型部署的详细教程前言模型转换--pytorch转onnxWindows平台搭建依赖环境安装onnxruntime安装OpenCV简化部署 ONNXRuntime调用onnx模型ONNXRuntime推理核心流程ONNXRuntime推理代码 总结
前言
ONNXRuntime是微软推出的一款高性能的机器学习推理引擎框架，用户可以非常便利的用其运行一个onnx模型，专注于加速机器学习模型的预测阶段。ONNXRuntime设计目的是为了提供一个高效的执行环境，使机器学习模型能够在各种硬件上快速执行，支持多种运行后端包括CPU，GPU，TensorRT，DML等，使得开发者可以灵活选择最适合其应用场景的硬件平台。
ONNXRuntime是对ONNX模型最原生的支持。
读者可以通过学习【OnnxRuntime部署】系列学习文章目录的C++篇* 的内容，系统的学习OnnxRuntime部署不同任务的onnx模型。
模型转换–pytorch转onnx
Pytorch模型转ONNX并推理的步骤如下：
将PyTorch预训练模型文件( .pth 或 .pt 格式)转换成ONNX格式的文件(.onnx格式)，这一转换过程在PyTorch环境中进行。将转换得到的 .onnx 文件随后作为输入，调用ONNXRuntime的C++ API来执行模型的推理。博主使用AlexNet图像分类(五种花分类)进行演示，需要安装pytorch环境，对于该算法的基础知识，可以参考博主【AlexNet模型算法Pytorch版本详解】博文
conda create --name AlexNet python==3.10conda activate AlexNet# 根据自己主机配置环境pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 假设模型转化出错则降级为指定1.16.1版本pip install onnx==1.16.1然后把训练模型好的AlexNet.pth模型转成AlexNet.onnx模型，pyorch2onnx.py转换代码如下：
import torchfrom model import AlexNetmodel = AlexNet(num_classes=5)weights_path = "./AlexNet.pth"# 加载模型权重model.load_state_dict(torch.load(weights_path))# 模型推理模式model.eval()model.cpu()# 虚拟输入数据dummy_input1 = torch.randn(1, 3, 224, 224)# 模型转化函数torch.onnx.export(model, (dummy_input1), "AlexNet.onnx", verbose=True, opset_version=11)
【AlexNet.pth百度云链接，提取码：ktq5 】直接下载使用即可。
Windows平台搭建依赖环境
安装onnxruntime
官网下载安装文件地址，根据自己的情况选择合适的版本【官方说明】。
博主的cuda版本是11.8，cudnn版本是8.9.7，因此选择OnnxRuntime v1.15.0版本。
cmd命令框下输入nvcc -V 查询cuda版本;
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vxx.x\include\cudnn_version.h 查看cuda版本.
在assert下选择onnxruntime-win-x64-gpu-1.15.0.zip下载
双击运行解压后即可：
打开VS 2019：新建新项目---->空项目---->配置项目---->项目路径以及勾选“将解决方案和项目放在同一目录中---->点击创建。
在解决方案–>源文件–>右键添加新建项。这里暂时可以默认空着不做处理。
配置onnxruntime：项目---->属性。假设没有新建cpp文件，空项目的属性页就不会存在C/C++这一项目。
添加附加包含目录：Release | x64---->C/C+±—>常规---->附加包含目录。
D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\include链接器：Release | x64---->链接器---->常规---->附加库目录。
D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\lib链接器：Release | x64---->链接器---->输入---->附加依赖项。
在D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\lib下找到附加依赖项的文件(.lib文件)。
onnxruntime.libonnxruntime_providers_cuda.libonnxruntime_providers_shared.lib安装OpenCV
官网下载安装文件地址，博主使用opencv-4.8.0-windows.exe版本
双击运行解压后即可，博主重命名为opencv4.8.0：
直接下载的opencv-4.8.0-windows.exe部分功能不完整，如读取视频这类功能，假如需要完整的功能则需要自己编译，参考windows10下opencv4.8.0-cpu C++版本源码编译教程，这里博主也提供了编译好的opencv4.8.0-cpu.rar【百度网盘，提取码：22r3】。目录格式仿造着opencv-4.8.0-windows.exe的目录格式。
添加附加包含目录：Release | x64---->C/C++—>常规---->附加包含目录。
D:\C++_demo\opencv4.8.0\build\include链接器：Release | x64---->链接器---->常规---->附加库目录。
D:\C++_demo\opencv4.8.0\build\x64\vc16\lib链接器：Release | x64---->链接器---->输入---->附加依赖项。
opencv_world480.lib简化部署
在Release x64模式下测试时，需要将OnnxRuntime所需的.dll文件，以及OpenCV的.dll文件复制到自己项目的Release下。
D:\C++_demo\onnxruntime-win-x64-gpu-1.15.0\libD:\C++_demo\opencv4.8.0\build\x64\vc16\bin===>D:\C++_demo\onnxruntime_onnx\x64\Release没有Release目录时，需要在Release | x64模式下运行一遍代码，代码部分在下面提供，读者可以先行新建文件复制代码。
将所有的.dll文件和.exe文件放在同一个目录下可以简化应用程序的部署过程。用户无需手动配置环境变量或安装额外的组件即可运行程序。
ONNXRuntime调用onnx模型
ONNXRuntime推理核心流程
初始化ONNXRuntime环境
通常涉及到创建一个 Ort::Env 对象，它包含了线程池和其他运行时设置。
Ort::Env env = Ort::Env(ORT_LOGGING_LEVEL_ERROR, "AlexNet-onnx");| Ort::Env参数 | 日志严重性级别 (logging severity level) | 环境名称 (environment name) |
|---|---|---|
| 作用 | 决定了哪些级别的日志信息将被记录下来，运行时提供了几个预定义的宏来表示不同的日志级别。 | 主要用于标识特定的环境实例，尤其是在多线程或多进程环境中可以帮助追踪日志信息来源。 |
| 内容 | ORT_LOGGING_LEVEL_FATAL：仅记录致命错误；ORT_LOGGING_LEVEL_ERROR：记录错误信息；ORT_LOGGING_LEVEL_WARNING：记录警告信息；ORT_LOGGING_LEVEL_INFO：记录信息性消息；ORT_LOGGING_LEVEL_VERBOSE：记录详细的信息，包括调试信息。 | 字符串 |
设置会话选项
通常包括配置优化器级别、线程数和设备(GPU/CPU)使用等。
Ort::SessionOptions session_options;session_options.SetGraphOptimizationLevel(ORT_ENABLE_BASIC);session_options.SetIntraOpNumThreads(4); OrtSessionOptionsAppendExecutionProvider_CUDA(session_options, 0);OrtSessionOptionsAppendExecutionProvider_CPU(session_options, 1);| 会换选项 | 优化器级别 | 线程数 | 设备使用 |
|---|---|---|---|
| 函数 | SetGraphOptimizationLevel | SetIntraOpNumThreads | SetExecutionMode |
| 作用 | 在模型加载到ONNXRuntime之前对其进行图优化的过程，提高执行效率 | 设置每个运算符内部执行时的最大线程数 | CUDA/CPU设备选择，CUDA优先级设为0，CPU优先级设为1，优先尝试使用CUDA执行。 |
| 参数 | ORT_ENABLE_BASIC:基本的图优化； ORT_DISABLE_ALL:禁用所有优化；ORT_ENABLE_EXTENDED:启用扩展优化；ORT_ENABLE_ALL:启用所有优化。 | 整型 | session_options:用于配置会话选项; 整型:优先级值，数值越低优先级越高。 |
加载模型并创建会话
加载预训练的ONNX模型文件，使用运行时环境、会话选项和模型创建一个Ort::Session对象。
Ort::Session session_(env, modelPath.c_str(), session_options);| Ort::Session参数 | Ort::Env | model_path | session_options |
|---|---|---|---|
| 内容 | ONNX 运行时环境对象 | 模型的位置或者模型的二进制数据 | 会话选项 |
获取模型输入输出信息
从Ort::Session对象中获取模型输入和输出的详细信息，包括数量、名称、类型和形状。
Ort::AllocatorWithDefaultOptions allocator;int input_nodes_num = session_.GetInputCount();int output_nodes_num = session_.GetOutputCount();auto input_name = session_.GetInputNameAllocated(i, allocator);auto output_name = session_.GetOutputNameAllocated(i, allocator);session_.GetInputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();session_.GetOutputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();预处理输入数据
对输入数据进行颜色空间转换，尺寸缩放、标准化以及形状维度扩展操作。
cv::cvtColor(image, rgb, cv::COLOR_BGR2RGB);cv::resize(rgb, blob, cv::Size(input_w, input_h));blob.convertTo(blob, CV_32F);blob = blob / 255.0;cv::subtract(blob, cv::Scalar(0.485, 0.456, 0.406), blob);cv::divide(blob, cv::Scalar(0.229, 0.224, 0.225), blob);cv::Mat timg = cv::dnn::blobFromImage(blob);这部分不是OnnxRuntime核心部分，根据任务需求不同，代码略微不同。
推理准备
创建输入和输出张量，这些张量是用于存储推理数据的内存块，分配内存给这些张量，以准备数据输入。
std::array<int64_t, 4> input_shape_info{ 1, 3, input_h, input_w };auto allocator_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);Ort::Value input_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, timg.ptr<float>(), tpixels, input_shape_info.data(), input_shape_info.size());| 函数 | Ort::MemoryInfo::CreateCpu | Ort::Value::CreateTensor |
|---|---|---|
| 作用 | ONNX Runtime运行一个模型时，用于描述内存分配的信息，包括内存的位置(CPU 或 GPU)以及内存的具体类型(固定内存或常规内存) | 封装了张量数据，可以作为模型推理的输入或输出。 |
| 参数1 | OrtDeviceAllocator:默认的分配器类型，它用于分配设备(CPU或GPU)上的内存；OrtArenaAllocator:使用内存池来分配内存，可以减少内存分配和释放的开销，提高内存操作的效率；OrtCustomAllocator:自定义内存分配器。 | 用于分配和管理张量数据的内存。 |
| 参数2 | OrtMemTypeCPUInput:表示任何非CPU使用的CPU内存，用于模型的输入，数据将由非CPU执行器(GPU)使用；OrtMemTypeCPUOutput: 由非CPU输出的、CPU可访问的内存，用于模型的输出，确保数据在CPU上可用；OrtMemTypeCPU:通常与 OrtMemTypeCPUOutput 相同，指CPU可访问的内存;OrtMemTypeDefault:表示执行器的默认内存分配器,用于分配内存时没有特别指定其他类型时使用。 | 张量的形状 |
| 参数3 | ----- | 张量的大小 |
| 参数4 | ----- | 张量的指针 |
| 参数6 | ----- | 张量的维度数 |
| 参数3 | ----- | 张量的数据类型 |
执行推理
调用Ort::Session::Run方法，传入输入张量、输出张量和其他必要的参数，执行推理。
ort_outputs = session_.Run(Ort::RunOptions{ nullptr }, inputNames.data(), &input_tensor_, 1, outNames.data(), outNames.size());| session_.Run参数 | run_options | input_names | input_values | input_count | output_names | output_count |
|---|---|---|---|---|---|---|
| 含义 | 是否进行性能分析、是否仅执行到达特定输出的最小子图等，通常是默配置。 | 输入节点名称数组 | 用于存储模型的输入数据Ort::Value | 输入数量 | 输出节点名称数组 | 输出数量 |
后处理推理结果
推理完成后，从输出张量中获取结果数据，根据需要对结果进行后处理，以获得最终的预测结果。
const float* pdata = ort_outputs[0].GetTensorMutableData<float>();cv::Mat prob(num, nc, CV_32F, (float*)pdata);cv::minMaxLoc(prob, &minv, &maxv, &minL, &maxL);这部分不是OnnxRuntime核心部分，根据任务需求不同，代码基本不同。
ONNXRuntime推理代码
需要配置flower_classes.txt文件存储五种花的分类标签，并将其放置到工程目录下(推荐)。
daisydandelionrosessunflowerstulips这里需要将AlexNet.onnx放置到工程目录下(推荐)，并且将以下推理代码拷贝到新建的cpp文件中，并执行查看结果。
#include "onnxruntime_cxx_api.h"#include "cpu_provider_factory.h"#include <opencv2/opencv.hpp>#include <fstream>// 加载标签文件获得分类标签std::string labels_txt_file = "D:/C++_demo/onnxruntime_onnx/flower_classes.txt";std::vector<std::string> readClassNames();std::vector<std::string> readClassNames(){std::vector<std::string> classNames;std::ifstream fp(labels_txt_file);if (!fp.is_open()){printf("could not open file...\n");exit(-1);}std::string name;while (!fp.eof()){std::getline(fp, name);if (name.length())classNames.push_back(name);}fp.close();return classNames;}int main(int argc, char** argv) {// 预测的目标标签数std::vector<std::string> labels = readClassNames();// 测试图片cv::Mat image = cv::imread("D:/C++_demo/onnxruntime_onnx/sunflowers.jpg");cv::imshow("输入图", image);// 初始化ONNXRuntime环境Ort::Env env = Ort::Env(ORT_LOGGING_LEVEL_ERROR, "AlexNet-onnx");// 设置会话选项Ort::SessionOptions session_options;// 优化器级别:基本的图优化级别session_options.SetGraphOptimizationLevel(ORT_ENABLE_BASIC);// 线程数:4session_options.SetIntraOpNumThreads(4);// 设备使用优先使用GPU而是才是CPUstd::cout << "onnxruntime inference try to use GPU Device" << std::endl;OrtSessionOptionsAppendExecutionProvider_CUDA(session_options, 0);OrtSessionOptionsAppendExecutionProvider_CPU(session_options, 1);// onnx训练模型文件std::string onnxpath = "D:/C++_demo/onnxruntime_onnx/AlexNet.onnx";std::wstring modelPath = std::wstring(onnxpath.begin(), onnxpath.end());// 加载模型并创建会话Ort::Session session_(env, modelPath.c_str(), session_options);// 获取模型输入输出信息int input_nodes_num = session_.GetInputCount();// 输入节点输int output_nodes_num = session_.GetOutputCount();// 输出节点数std::vector<std::string> input_node_names;// 输入节点名称std::vector<std::string> output_node_names;// 输出节点名称Ort::AllocatorWithDefaultOptions allocator;// 输入图像尺寸int input_h = 0;int input_w = 0;// 获取模型输入信息for (int i = 0; i < input_nodes_num; i++) {// 获得输入节点的名称并存储auto input_name = session_.GetInputNameAllocated(i, allocator);input_node_names.push_back(input_name.get());// 显示输入图像的形状auto inputShapeInfo = session_.GetInputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();int ch = inputShapeInfo[1];input_h = inputShapeInfo[2];input_w = inputShapeInfo[3];std::cout << "input format: " << ch << "x" << input_h << "x" << input_w << std::endl;}// 获取模型输出信息int num = 0;int nc = 0;for (int i = 0; i < output_nodes_num; i++) {// 获得输出节点的名称并存储auto output_name = session_.GetOutputNameAllocated(i, allocator);output_node_names.push_back(output_name.get());// 显示输出结果的形状auto outShapeInfo = session_.GetOutputTypeInfo(i).GetTensorTypeAndShapeInfo().GetShape();num = outShapeInfo[0];nc = outShapeInfo[1];std::cout << "output format: " << num << "x" << nc << std::endl;}// 预处理输入数据cv::Mat rgb, blob;// 默认是BGR需要转化成RGBcv::cvtColor(image, rgb, cv::COLOR_BGR2RGB);// 对图像尺寸进行缩放cv::resize(rgb, blob, cv::Size(input_w, input_h));blob.convertTo(blob, CV_32F);// 对图像进行标准化处理blob = blob / 255.0;// 归一化cv::subtract(blob, cv::Scalar(0.485, 0.456, 0.406), blob);// 减去均值cv::divide(blob, cv::Scalar(0.229, 0.224, 0.225), blob);//除以方差// CHW-->NCHW 维度扩展cv::Mat timg = cv::dnn::blobFromImage(blob);std::cout << timg.size[0] << "x" << timg.size[1] << "x" << timg.size[2] << "x" << timg.size[3] << std::endl;// 占用内存大小,后续计算是总像素*数据类型大小size_t tpixels = input_h * input_w * 3;std::array<int64_t, 4> input_shape_info{ 1, 3, input_h, input_w };// 准备数据输入auto allocator_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);Ort::Value input_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, timg.ptr<float>(), tpixels, input_shape_info.data(), input_shape_info.size());// 模型输入输出所需数据(名称及其数量),模型只认这种类型的数组const std::array<const char*, 1> inputNames = { input_node_names[0].c_str() };const std::array<const char*, 1> outNames = { output_node_names[0].c_str() };// 模型推理std::vector<Ort::Value> ort_outputs;try {ort_outputs = session_.Run(Ort::RunOptions{ nullptr }, inputNames.data(), &input_tensor_, 1, outNames.data(), outNames.size());}catch (std::exception e) {std::cout << e.what() << std::endl;}// 1x5 获取输出数据并包装成一个cv::Mat对象,为了方便后处理const float* pdata = ort_outputs[0].GetTensorMutableData<float>();cv::Mat prob(num, nc, CV_32F, (float*)pdata);// 后处理推理结果cv::Point maxL, minL;// 用于存储图像分类中的得分最小值索引和最大值索引(坐标)double maxv, minv;// 用于存储图像分类中的得分最小值和最大值cv::minMaxLoc(prob, &minv, &maxv, &minL, &maxL); int max_index = maxL.x;// 获得最大值的索引,只有一行所以列坐标既为索引std::cout << "label id: " << max_index << std::endl;// 在测试图像上加上预测的分类标签cv::putText(image, labels[max_index], cv::Point(50, 50), cv::FONT_HERSHEY_SIMPLEX, 1.0, cv::Scalar(0, 0, 255), 2, 8);cv::imshow("输入图像", image);cv::waitKey(0);// 释放资源session_options.release();session_.release();return 0;}图片正确预测为向日葵：
总结
尽可能简单、详细的介绍了pytorch模型到onnx模型的转化，C++下OnnxRuntime环境的搭建以及onnx模型的OnnxRuntime部署。