使用限制

操作流程

步驟一：導出模型

Detectron2是FAIR開源的靈活、可擴展、可配置的目標檢測和圖像分割訓練框架。由于框架的靈活性，使用常規方法導出模型可能會失敗或得到錯誤的導出結果。為了支持TorchScript部署，Detectron2提供了TracingAdapter和scripting_with_instances兩種導出方式，詳情請參見Detectron2 Usage。

import torch
import numpy as np

from torch import Tensor
from torch.testing import assert_allclose

from detectron2 import model_zoo
from detectron2.export import scripting_with_instances
from detectron2.structures import Boxes
from detectron2.data.detection_utils import read_image

# 使用scripting_with_instances導出RetinaNet模型。
def load_retinanet(config_path):
    model = model_zoo.get(config_path, trained=True).eval()
    fields = {
        "pred_boxes": Boxes,
        "scores": Tensor,
        "pred_classes": Tensor,
    }
    script_model = scripting_with_instances(model, fields)
    return model, script_model

# 下載一張示例圖片。
# wget http://images.cocodataset.org/val2017/000000439715.jpg -q -O input.jpg
img = read_image('./input.jpg')
img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))

# 嘗試執行和對比導出模型前后的結果。
pytorch_model, script_model = load_retinanet("COCO-Detection/retinanet_R_50_FPN_3x.yaml")
with torch.no_grad():
    batched_inputs = [{"image": img.float()}]
    pred1 = pytorch_model(batched_inputs)
    pred2 = script_model(batched_inputs)

assert_allclose(pred1[0]['instances'].scores, pred2[0].scores)

步驟二：調用Blade優化模型

1. 調用Blade優化接口。
   調用blade.optimize接口對模型進行優化，代碼示例如下。關于blade.optimize接口詳情，請參見優化PyTorch模型。

   import blade
   
   test_data = [(batched_inputs,)] # PyTorch的輸入數據是List of tuple。
   optimized_model, opt_spec, report = blade.optimize(
       script_model,  # 上一步導出的TorchScript模型。 
       'o1',  # 開啟Blade O1級別的優化。
       device_type='gpu', # 目標設備為GPU。
       test_data=test_data, # 給定一組測試數據，用于輔助優化及測試。
   )

2. 打印優化報告并保存模型。
   Blade優化后的模型仍然是一個TorchScript模型。完成優化后，您可以通過如下代碼打印優化報告并保存優化模型。

   # 打印優化報告。
   print("Report: {}".format(report))
   # 保存優化后的模型。
   torch.jit.save(optimized_model, 'optimized.pt')

   打印的優化報告如下所示，關于優化報告中的字段詳情請參見優化報告。

   Report: {
     "software_context": [
       {
         "software": "pytorch",
         "version": "1.8.1+cu102"
       },
       {
         "software": "cuda",
         "version": "10.2.0"
       }
     ],
     "hardware_context": {
       "device_type": "gpu",
       "microarchitecture": "T4"
     },
     "user_config": "",
     "diagnosis": {
       "model": "unnamed.pt",
       "test_data_source": "user provided",
       "shape_variation": "undefined",
       "message": "Unable to deduce model inputs information (data type, shape, value range, etc.)",
       "test_data_info": "0 shape: (3, 480, 640) data type: float32"
     },
     "optimizations": [
       {
         "name": "PtTrtPassFp16",
         "status": "effective",
         "speedup": "3.77",
         "pre_run": "40.64 ms",
         "post_run": "10.78 ms"
       }
     ],
     "overall": {
       "baseline": "40.73 ms",
       "optimized": "10.76 ms",
       "speedup": "3.79"
     },
     "model_info": {
       "input_format": "torch_script"
     },
     "compatibility_list": [
       {
         "device_type": "gpu",
         "microarchitecture": "T4"
       }
     ],
     "model_sdk": {}
   }

3. 對優化前后的模型進行性能測試。
   性能測試的代碼示例如下所示。

   import time
   
   @torch.no_grad()
   def benchmark(model, inp):
       for i in range(100):
           model(inp)
       torch.cuda.synchronize()
       start = time.time()
       for i in range(200):
           model(inp)
       torch.cuda.synchronize()
       elapsed_ms = (time.time() - start) * 1000
       print("Latency: {:.2f}".format(elapsed_ms / 200))
   
   # 對優化前的模型測速。
   benchmark(pytorch_model, batched_inputs)
   # 對優化后的模型測速。
   benchmark(optimized_model, batched_inputs)

   本次測試的參考結果值如下。

   Latency: 42.38
   Latency: 10.77

   上述結果表示同樣執行200輪，優化前后的模型平均延時分別是42.38 ms和10.77 ms。

步驟三：加載運行優化后的模型

1. 可選：在試用階段，您可以設置如下的環境變量，防止因為鑒權失敗而程序退出。

   export BLADE_AUTH_USE_COUNTING=1

2. 獲取鑒權。

   export BLADE_REGION=<region>
   export BLADE_TOKEN=<token>

   您需要根據實際情況替換以下參數：

   • <region>：Blade支持的地域，需要加入Blade用戶群獲取該信息，用戶群的二維碼詳情請參見獲取Token。
   • <token>：鑒權Token，需要加入Blade用戶群獲取該信息，用戶群的二維碼詳情請參見獲取Token。
3. 部署模型。
   Blade優化后的模型仍然是TorchScript，因此您無需切換環境即可加載優化后的結果。

   import blade.runtime.torch
   import detectron2
   import torch
   
   from torch.testing import assert_allclose
   from detectron2.utils.testing import (
       get_sample_coco_image,
   )
   
   pytorch_model = model_zoo.get("COCO-Detection/retinanet_R_50_FPN_3x.yaml", trained=True).eval()
   optimized_model = torch.jit.load('optimized.pt')
   
   img = read_image('./input.jpg')
   img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))
   
   with torch.no_grad():
       batched_inputs = [{"image": img.float()}]
       pred1 = pytorch_model(batched_inputs)
       pred2 = optimized_model(batched_inputs)
   
   assert_allclose(pred1[0]['instances'].scores, pred2[0].scores, rtol=1e-3, atol=1e-2)