跳转至

OpenVINO GPU推理

Warning

基于目前 openvino==2022.3.0 版，存在申请内存不释放的问题，这也就意味着当推理图像很大时，推理完之后，内存会一直占用。详情可参见 issue11939

安装

1
2
3
4
$ pip install openvino

# 里面含有mo
$ pip install openvino-dev

模型问题

  • 因为 OpenVINO 可以直接推理 ONNX 模型，故这里暂时不作转换，直接推理之前 ONNX 模型即可

  • 这里仍然给出转换的代码，用作参考:

    1
2
3
4
5
    mo --input_model models/ch_PP-OCRv2_det_infer.onnx --output_dir models/IR/

mo --input_model models/ch_PP-OCRv2_det_infer.onnx \
--output_dir models/IR/static \
--input_shape "[1,3,12128,800]"

关于 OpenVINO

  • OpenVINO 可以直接推理 IR, ONNX 和 PaddlePaddle 模型，具体如下 (图来源:link)：

  • 和 ONNX Runtime 同时推理同一个 ONNX 模型，OpenVINO 推理速度更快

  • 但是从对比来看，OpenVINO 占用内存更大，其原因是拿空间换的时间

    • 当指定 input_shape 在一个区间范围时，推理时内存占用会减少一些。示例命令:
    1
2
3
    mo --input_model models/ch_PP-OCRv2_det_infer.onnx \
--output_dir models/IR/static \
--input_shape "[1,3,960:1200,800]"

OpenVINO 与 ONNX Runtime 性能对比

  • 推理设备：Windows 64 位 Intel(R) Core(TM) i5-4210M CPU @ 2.60GHz 2.59 GHz
  • 测试图像宽高: 12119x810
测试模型 推理框架 占用内存 (3 次平均) 推理时间 (3 次平均)
ch_PP-OCRv2_det_infer.onnx ONNX Runtime=1.10.0 0.8G 5.354s
ch_PP-OCRv2_det_infer.onnx openvino=2022.1.0 3.225G 2.53s
ch_PP-OCRv2_det_infer.xml FP32 动态图 openvino=2022.1.0 3.175G 2.0455s

OpenVINO 与 ONNX Runtime 推理代码写法对比

Example

以 ch_ppocr_mobile_v2_det 中推理代码为例子

ONNX Runtime

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
import onnxruntime

# 声明
sess_opt = onnxruntime.SessionOptions()
sess_opt.log_severity_level = 4
sess_opt.enable_cpu_mem_arena = False
session = onnxruntime.InferenceSession(det_model_path, sess_opt)
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name

# 推理
preds = session.run([output_name], {input_name: img})

OpenVINO

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
from openvino.runtime import Core

# 初始化
ie = Core()
model_onnx = ie.read_model(det_model_path)
compile_model = ie.compile_model(model=model_onnx, device_name='CPU')
vino_session = compile_model.create_infer_request()

# 推理
vino_session.infer(inputs=[img])
vino_preds = vino_session.get_output_tensor().data

评论