Pointpillars模型转onnx

最近在做pointpillars模型部署,从openpcd训练好的模型想转onnx,发现很困难,因为pytorch是动态机制,转换需要读取模型+参数+输入才能完成输出,自己搞了一下老有报错,很困难,调研了一些文章:

PointPillars 工程复现_pointpillars复现-优快云博客

OpenPCDet模型导出ONNX - 半夜打老虎 - 博客园

这些文章中把model拆解成多个模块,然后单独加载参数和输入,最后输出多个onnx

分析原因,openpcd把模型的各个模块拆解然后单独封装,靠外部yaml模板控制和管理,这样用着比较方便。但是下面onnx的转换要求好像是加载一个完整的类,所以需要根据各个模块单独拆解!

#openpcd各个模块单独封装,然后靠字典把他们串在一起
def build_detector(model_cfg, num_class, dataset):
    model = __all__[model_cfg.NAME](
        model_cfg=model_cfg, num_class=num_class, dataset=dataset
    )

    return model


#而onnx 转换功能上要求加载一个完整的模型
    if not args.no_c
### 部署PointPillars代码 为了成功部署PointPillars代码,需遵循特定的步骤来设置环境并运行必要的脚本。以下是详细的指导: #### 设置开发环境 确保安装了所需的依赖库和工具链。对于Xavier平台上的CUDA-PointPillars部署,建议按照优快云博客中的说明操作[^1]。 #### 下载源码与预训练模型 获取PointPillars项目的官方GitHub仓库,并下载预先训练好的权重文件用于测试目的。可以从指定链接访问完整的项目资源[^2]。 #### 编译自定义算子 由于PointPillars利用了一些特殊的卷积层(如Sparse Convolution),因此需要编译`spconv`扩展模块。这一步骤至关重要,因为默认情况下PyTorch并不支持这些功能[^3]。 ```bash git clone https://github.com/traveller59/spconv.git cd spconv python setup.py install --user ``` #### 换为TensorRT引擎 为了提高推理速度,在Jetson Xavier NX设备上可以采用TensorRT框架优化网络结构。具体做法涉及将原始ONNX格式换成适用于目标硬件的最佳性能配置。 ```python import tensorrt as trt TRT_LOGGER = trt.Logger(trt.Logger.WARNING) def build_engine(onnx_file_path, engine_file_path): with trt.Builder(TRT_LOGGER) as builder, \ builder.create_network() as network, \ trt.OnnxParser(network, TRT_LOGGER) as parser: config = builder.create_builder_config() config.max_workspace_size = 1 << 30 with open(onnx_file_path, 'rb') as model: if not parser.parse(model.read()): print('Failed to parse the ONNX file.') for error in range(parser.num_errors): print(parser.get_error(error)) return None engine = builder.build_serialized_network(network, config) with open(engine_file_path, "wb") as f: f.write(bytearray(engine)) build_engine("pointpillars.onnx", "pointpillars.trt") ``` #### 运行预测流程 最后编写简单的Python程序调用上述构建好的TensorRT引擎来进行实时物体检测任务。注意调整输入数据格式以匹配预期的要求。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值