（ Tencent -TNN 学习）pytorch模型部署到移动端

记录分为

• pytorch2onnx
• onnx2tnn
• tnn结果验证
• 移动端（安卓）使用

1、pytorch2onnx

环境：

pytorch 1.4.0
onnx 1.6.0 (转换)
onnxruntime 1.3.0 （测试）
onnx-simplifier 0.2.9 （模型量化，不执行后续报错了，我测试是这样的）

转换代码：

import onnx
import torch
from test_net import TestModel
import numpy as np
import cv2

if 1:
    torch_model = TestModel("model.pt")
    torch_model.eval()

    batch_size = 1  #批处理大小
    input_shape = (3,384,384)   #输入数据

    # set the model to inference mode
    # torch_model.eval()

    x = torch.randn(batch_size,*input_shape)		# 生成张量
    export_onnx_file = "./model.onnx"					# 目的ONNX文件名
    torch.onnx.export(torch_model,
                        x,
                        export_onnx_file,
                        export_params=True,
                        opset_version=11,
                        do_constant_folding=True,  # wether to execute constant folding for optimization
                        input_names = ['input'],   # the model's input names
                        output_names = ['output'], # the model's output names
                        dynamic_axes={'input' : {0 : 'batch_size'},    # variable lenght axes
                                        'output' : {0 : 'batch_size'}}
                        )

print ('get onnx ok!')

利用 onnxruntime 测试转换的模型:

    import onnxruntime
    import imageio
    import time

    (width, height) = (384,384)
    cap = cv2.VideoCapture(0)
    while 1:
        ret,img = cap.read()
        time_start = time.time()
        if img is None:
            print('no image input!')
            break
        if img.ndim == 2:
            img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
        in_height ,in_width ,_ = img.shape
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) / 255.0
        img_resized = cv2.resize(img, (width, height), interpolation=cv2.INTER_AREA)
        img_resized = (
            torch.from_numpy(np.transpose(img_resized, (2, 0, 1))).contiguous().float()
        )
        value = img_resized.unsqueeze(0)
    
        def to_numpy(tensor):
            return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy()

        ort_session = onnxruntime.InferenceSession("model.onnx") 
        ort_inputs = {ort_session.get_inputs()[0].name: (to_numpy(value)).astype(np.float32)}
        #Actual: (N11onnxruntime17PrimitiveDataTypeIdEE) , expected: (N11onnxruntime17PrimitiveDataTypeIfEE)
        #传入数据类型不对
        ort_outs = ort_session.run(None, ort_inputs)
        
        result = ort_outs[0][0, 0, :, :]
        result = np.array(result)
        print (result.shape)
        reslut_resized = cv2.resize(
            result, (in_width, in_height), interpolation=cv2.INTER_AREA
        )
        print('cost : %.3f (s)'%(time.time() - time_start))
        cv2.namedWindow('re',2)
        cv2.imshow('re',reslut_resized)
        if cv2.waitKey(1) ==27:
            break
    cap.release()
    cv2.destroyAllWindows()

模型简化操作：

python -m onnxsim  model10.onnx model_sim.onnx --input-shape 1,3,384,384

2、onnx2tnn

参考TNN官方文档

1. 下载tnn源码，https://github.com/Tencent/TNN ；进入
   ~/TNN-master/tools/onnx2tnn/onnx-converter 文件夹，运行 ./build 进行编译。
   2.运行命令进行转换

python onnx2tnn.py  model/model_sim.onnx -version=algo_version -optimize=1
0.----onnx version:1.6.0

结果为：

algo_optimize 1
onnx_net_opt_path /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.opt.onnx
1.----onnx_optimizer: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.onnx
/home/jiang/TNN-master/tools/onnx2tnn/onnx-converter
----load onnx model: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.onnx
----onnxsim.simplify error: You'd better check the result with Netron
----onnxsim.simplify error: <class 'RuntimeError'>
----export optimized onnx model: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.opt.onnx
----export optimized onnx model done
2.----onnx2tnn: /home/jiang/TNN-master/tools/onnx2tnn/onnx-converter/model/model_sim.opt.onnx
get_node_attr_ai [Line 116] name :546
get_node_attr_ai [Line 116] name :585
get_node_attr_ai [Line 116] name :624
get_node_attr_ai [Line 116] name :663
get_node_attr_ai [Line 116] name :693
TNNLayerParam [Line 61] resize: coordinate_transformation_mode(pytorch_half_pixel) is not supported, result may be different.
3.----onnx2tnn status: 0

出现了错误----onnxsim.simplify error: You’d better check the result with Netron
----onnxsim.simplify error: <class ‘RuntimeError’>。
参数 algo_optimize=0即不进行优化就不保存转换成功。

3、tnn结果验证

1）、TNN编译，不同平台库编译见链接。以下为安卓库编译：
环境要求

• 依赖库
  cmake（使用3.6及以上版本）

sudo apt-get install attr

• NDK配置

  下载ndk版本(>=15c) https://developer.android.com/ndk/downloads
  配置环境变量 :

 sudo gedit ~/.bashrc

#ndk
export ANDROID_NDK=/home/jiang/Android/android-ndk-r21b
export PATH=${PATH}:$ANDROID_NDK
#tnn
export TNN_ROOT_PATH=/home/jiang/TNN-master export
PATH=${PATH}:$TNN_ROOT_PATH

  source ~/.bashrc

• 编译

切换到~/TNN-master/scripts下，修改脚本 build_android.sh;然后再执行./build_android.sh进行编译。

ABIA32=“armeabi-v7a with NEON”
ABIA64=“arm64-v8a”
STL=“c++_static”
SHARED_LIB=“ON” # ON表示编译动态库，OFF表示编译静态库
ARM=“ON” # ON表示编译带有Arm CPU版本的库
OPENMP=“ON” # ON表示打开OpenMP
OPENCL=“ON” # ON表示编译带有Arm GPU版本的库
SHARING_MEM_WITH_OPENGL=0 # 1表示OpenGL的Texture可以与OpenCL共享

编译完成后，在当前目录的release目录下生成对应的armeabi-v7a库，arm64-v8a库和include头文件。

2）tnn模型验证