接上一篇在Python端的onnx模型驗證結果，上一篇在Pytorch和onnxruntime-gpu推理庫上分別進行效果效率統計分析，結論要比最初設定的50ms高很多，這一篇我將在C++端寫個測試程式碼進行推理驗證。
一、onnxruntime的C++庫
AI模型部署肯定是要用C++的，這是毋庸置疑的，目前onnxruntime提供了適配很多程式語言介面的API，最常用的就是Python和C++，一個簡易一個高效，Python介面可用於快速驗證idea，C++介面適用於整合到推理引擎中來呼叫。C++總的來說是把效率排在第一位的，所以沒有像Python那樣強封裝，相對而言比較靈活，但又不像C那樣瑣碎，畢竟C++也是OOP語言。扯遠了，onnxruntime的c++庫可以從官方github下載到，可以直接下載對應的release版本，裡面包含了動態庫和標頭檔案，如下圖，我下載的是windows版本的。直接匯入到我們的推理引擎中來呼叫就可以了。
一般我們引入第三方庫會包含兩部分內容，一個是標頭檔案，這裡面是所有我們可以呼叫的函式宣告、錯誤型別等等，另一部分是庫檔案，庫檔案分動態庫和靜態庫，win版的動態庫檔案還有對應的動態庫的匯入庫（.lib結尾），這很容易和靜態庫混淆。對於linux來說，動態庫.so檔案中已經包含了符號表，符號表儲存所有函式地址；而對於win來說，動態庫的函式實現都儲存在.dll中，與之還有一個配套的同名.lib檔案單獨儲存函式符號表，這個匯入庫是在編譯期間就需要明確位置的，需要配置到庫目錄列表裡面，並確定是哪一個.lib檔案，編譯的時候會將其和可執行檔案打包融合，而真正的dll是在執行期間才去載入的，所以dll需要放置到合適的位置，讓可執行檔案能找到。
二、測試程式碼
這裡我把建立一個呼叫onnxruntime庫進行推理的相關配置都打包到一個class裡面，這樣方便管理，程式碼如下：
#include <onnxruntime_cxx_api.h>
#include <cmath>
#include <time.h>
#include <algorithm>
#include <fstream>
#include "opencv2/opencv.hpp"
using namespace cv;
using namespace std;
const int class_num = 10;
const int input_height = 32;
const int input_width = 32;
const int input_channel = 3;
const int batch_size = 1;
class Classifier {
public:
Classifier(const wchar_t* onnx_path) {
auto allocator_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);
input_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, input_.data(), input_.size(), input_shape_.data(), input_shape_.size());
output_tensor_ = Ort::Value::CreateTensor<float>(allocator_info, output_.data(), output_.size(), output_shape_.data(), output_shape_.size());
OrtSessionOptionsAppendExecutionProvider_CUDA(session_option, 0);
session = Ort::Session(env, onnx_path, session_option);
}
int set_input(string& img_paht) {
Mat img = imread(img_paht);
//Mat dst(input_height, input_width, CV_8UC3);
//resize(img, dst, Size(row, col));
//cvtColor(img, dst, COLOR_BGR2RGB);
float* input_prt = input_.data();
for (int c = 0; c < 3; c++) {
for (int i = 0; i < input_height; i++) {
for (int j = 0; j < input_width; j++) {
float tmp = img.ptr<uchar>(i)[j * 3 + c];
input_prt[c * input_height * input_width + i * input_width + j] = ((tmp) / 255.0 - mean_[c]) / std_[c];
}
}
}
return 0;
}
int forward() {
session.Run(Ort::RunOptions{ nullptr }, input_names.data(), &input_tensor_, 1, output_names.data(), &output_tensor_, 1);
return 0;
}
int get_result(int& result) {
result = std::distance(output_.begin(), std::max_element(output_.begin(), output_.end()));
return 0;
}
private:
vector<const char*> input_names{ "img" };
vector<const char*> output_names{ "output" };
std::array<float, batch_size* input_height* input_width* input_channel> input_;
std::array<float, batch_size* class_num> output_;
std::array<int64_t, 4> input_shape_{ batch_size, input_channel, input_width, input_height };
std::array<int64_t, 2> output_shape_{ batch_size, class_num };
Ort::Value input_tensor_{ nullptr };
Ort::Value output_tensor_{ nullptr };
Ort::SessionOptions session_option;
Ort::Env env{ ORT_LOGGING_LEVEL_WARNING, "test" };
Ort::Session session{ nullptr };
std::vector<float> mean_{ 0.4914, 0.4822, 0.4465 };
std::vector<float> std_{ 0.2023, 0.1994, 0.2010 };
};
int load_img_path(string& file_path, vector<string>& img_lst, vector<int>& label_lst) {
ifstream f(file_path.c_str());
if (!f.is_open()) {
cout << "檔案開啟失敗" << endl;
return -1;
}
string img_path;
int label;
while (getline(f, img_path)) {
if (img_path.size() > 0) {
img_lst.push_back(img_path);
auto iter = img_path.find(".");
label = std::atoi(img_path.substr(--iter, iter).c_str());
label_lst.push_back(label);
}
}
f.close();
return 0;
}
float cal_acc(vector<int>& labels, vector<int>& results) {
float TP = 0.;
for (int i = 0; i < labels.size(); i++) {
if (labels[i] == results[i]) {
TP++;
}
}
return TP / labels.size();
}
int main()
{
const wchar_t* onnx_path = L"D:/Files/projects/vs/onnxruntimelib/onnxruntime-win-x64-gpu-1.11.1/output/resnet_best.onnx";
string img_path_file = "D:/Files/projects/Py/CNN-Backbone/data/testimg.lst";
vector<string> img_lst;
vector<int> label_lst;
vector<int> results;
load_img_path(img_path_file, img_lst, label_lst);
clock_t start;
float time_cost;
int result;
Classifier classifier(onnx_path);
start = clock();
for (int i = 0; i < img_lst.size(); i++) {
result = -1;
classifier.set_input(img_lst[i]);
classifier.forward();
classifier.get_result(result);
results.push_back(result);
}
time_cost = clock()-start;
float acc = cal_acc(label_lst, results);
std::cout << "Total Time cost: " << time_cost << "ms" << std::endl;
std::cout << "Average Time cost: " << time_cost/img_lst.size() << "ms" << std::endl;
std::cout << "Test Acc: " << acc << std::endl;
system("pause");
return 0;
}
測試程式碼比較簡單，裡面核心呼叫onnxruntime的程式碼是Ort::Session和Ort::SessionOptions,Sessionoption是呼叫onnxruntime的一些配置選項，預設使用CPU推理，這裡使用OrtSessionOptionsAppendExecutionProvider_CUDA(session_option, 0)可以選用0號gpu計算，建立好的session_option再拿去初始化session，然後是輸入輸出有定義好的特殊型別Ort::Value，這裡分別採用一個固定大小的array去構建輸入輸出。最後測試結論為：
CPU下：
Total Time cost: 36289ms
Average Time cost: 3.6289ms
Test Acc: 0.9483
GPU下：
Total Time cost: 29861ms
Average Time cost: 2.9861ms
Test Acc: 0.9483
效果和在Python介面上測試的一致的，GPU下的平均響應時間要比Python介面的3.1ms更快一些。神奇的是CPU下的速度也很快，可能是我這個模型太小沒體現出GPU的優勢。另外有一個問題是在gpu上測試的時候，退出main函式的時候析構失敗，沒查出原因。
三、總結
- 技術總結：原型訓練中大模型的擬合能力比小模型強得多，此外資料增強帶來的收益也很明顯；模型較簡單所以匯出onnx沒出啥問題，匯出的onnx效果也沒降低；C++端的驗證表明，推理速度遠高於最初設定的50ms/張，符合預期。
- 反思：走了一遍這整個流程，發現還是有很多地方不瞭解，有待進一步學習，五月份主攻工程方向，這個系列到這裡暫時告一段落，接下來要深入一下onnxruntime的介面設計，有突破了再繼續更新。