在 Jetson Nano 上部署预训练模型
单击 此处 下载完整的示例代码
作者：BBuf
此教程介绍如何用 Relay 编译 ResNet 模型，并将其部署到 Jetson Nano。
import tvm
from tvm import te
import tvm.relay as relay
from tvm import rpc
from tvm.contrib import utils, graph_executor as runtime
from tvm.contrib.download import download_testdata
在 Jetson Nano 上构建 TVM Runtime
第一步是在远程设备上构建 TVM runtime。
本节和下一节中的所有指令都应在目标设备（例如 Jetson Nano）及 Linux 上执行。
由于我们是在本地机器上进行编译，远程设备仅用于运行生成的代码，因此只需在远程设备上构建 TVM runtime。
git clone --recursive https://github.com/apache/tvm tvm
cd tvm
mkdir build
cp cmake/config.cmake build
cd build
cmake ..
make runtime -j4
如果要用 Jetson Nano 的 GPU 进行推理，需要在 config.cmake 中开启 CUDA 选项，即 set(USE_CUDA ON)。
runtime 构建完成后，在 ~/.bashrc 文件中设置环境变量。可以用 vi ~/.bashrc 命令来编辑 ~/.bashrc，添加下面这行代码（假设 TVM 目录在 ~/tvm 中）：
export PYTHONPATH=$PYTHONPATH:~/tvm/python
执行 source ~/.bashrc 来更新环境变量。
在设备上设置 RPC 服务器
若要启动 RPC 服务器，请在远程设备（示例中为 Jetson Nano）上运行以下命令：
python -m tvm.exec.rpc_server --host 0.0.0.0 --port=9091
看到如下结果，则表示 RPC 服务器启动成功：
INFO:RPCServer:bind to 0.0.0.0:9091
准备预训练模型
注意：确保主机已经（用 LLVM）安装了完整的 TVM。
使用 MXNet Gluon 模型集合 中的预训练模型。更多有关这部分的信息详见 编译 MXNet 模型 教程。
from mxnet.gluon.model_zoo.vision import get_model
from PIL import Image
import numpy as np
# 获取模型
block = get_model("resnet18_v1", pretrained=True)
为了测试模型，下载一张猫的图片，并转换其格式：
img_url = "https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?raw=true"
img_name = "cat.png"
img_path = download_testdata(img_url, img_name, module="data")
image = Image.open(img_path).resize((224, 224))
def transform_image(image):
image = np.array(image) - np.array([123.0, 117.0, 104.0])
image /= np.array([58.395, 57.12, 57.375])
image = image.transpose((2, 0, 1))
image = image[np.newaxis, :]
return image
x = transform_image(image)
用 synset 将 ImageNet 类的标签转换为人类更容易理解的单词。
synset_url = "".join(
[
"https://gist.githubusercontent.com/zhreshold/",
"4d0b62f3d01426887599d4f7ede23ee5/raw/",
"596b27d23537e5a1b5751d2b0481ef172f58b539/",
"imagenet1000_clsid_to_human.txt",
]
)
synset_name = "imagenet1000_clsid_to_human.txt"
synset_path = download_testdata(synset_url, synset_name, module="data")
with open(synset_path) as f:
synset = eval(f.read())
以下代码可将 Gluon 模型移植到可移植的计算 图上：
# 在 mxnet.gluon 中支持 MXNet 静态图（符号）和 HybridBlock
shape_dict = {"data": x.shape}
mod, params = relay.frontend.from_mxnet(block, shape_dict)
# 添加 softmax 算子提高概率
func = mod["main"]
func = relay.Function(func.params, relay.nn.softmax(func.body), None, func.type_params, func.attrs)
以下是一些基本的数据工作负载配置：
batch_size = 1
num_classes = 1000
image_shape = (3, 224, 224)
data_shape = (batch_size,) + image_shape
编译计算图
用计算图的配置和参数调用 relay.build() 函数，从而编译计算图。但是，不能在具有 ARM 指令集的设备上部署 x86 程序。除了用来指定深度学习工作负载的参数 net 和 params，Relay 还需要知道目标设备的编译选项。不同选项会导致性能不同。
如果在 x86 服务器上运行示例，可将其设置为 llvm。如果在 Jetson Nano 上运行，需要将其设置为 nvidia/jetson-nano。若要在真实设备上运行，需将 local_demo 设置为 False。
local_demo = True
if local_demo:
target = tvm.target.Target("llvm")
else:
target = tvm.target.Target("nvidia/jetson-nano")
assert target.kind.name == "cuda"
assert target.attrs["arch"] == "sm_53"
assert target.attrs["shared_memory_per_block"] == 49152
assert target.attrs["max_threads_per_block"] == 1024
assert target.attrs["thread_warp_size"] == 32
assert target.attrs["registers_per_block"] == 32768
with tvm.transform.PassContext(opt_level=3):
lib = relay.build(func, target, params=params)
# 在 `relay.build` 之后，会得到三个返回值：计算图，库和新参数，因为我们做了一些优化，它们会改变参数，但模型的结果不变。
# 将库保存在本地临时目录中。
tmp = utils.tempdir()
lib_fname = tmp.relpath("net.tar")
lib.export_library(lib_fname)
输出结果：
/workspace/python/tvm/relay/build_module.py:348: DeprecationWarning: Please use input parameter mod (tvm.IRModule) instead of deprecated parameter mod (tvm.relay.function.Function)
DeprecationWarning,
/workspace/python/tvm/driver/build_module.py:267: UserWarning: target_host parameter is going to be deprecated. Please pass in tvm.target.Target(target, host=target_host) instead.
"target_host parameter is going to be deprecated. "
通过 RPC 远程部署模型
利用 RPC 可将模型从主机部署到远程设备。
# 从远程设备获取 RPC session。
if local_demo:
remote = rpc.LocalSession()
else:
# 下面是教程环境，把这个改成你目标设备的 IP 地址
host = "192.168.1.11"
port = 9091
remote = rpc.connect(host, port)
# 将库上传到远程设备，并加载它
remote.upload(lib_fname)
rlib = remote.load_module("net.tar")
# 创建远程 runtime 模块
if local_demo:
dev = remote.cpu(0)
else:
dev = remote.cuda(0)
module = runtime.GraphModule(rlib["default"](dev))
# 设置输入数据
module.set_input("data", tvm.nd.array(x.astype("float32")))
# 运行
module.run()
# 获取输出
out = module.get_output(0)
# 得到排第一的结果
top1 = np.argmax(out.numpy())
print("TVM prediction top-1: {}".format(synset[top1]))
输出结果：
TVM prediction top-1: tiger cat