本项目是为了研究 mmdet 推断性能瓶颈,并且对其进行优化。
2022-01-24 Update:
mmdeploy 发布之后,观察了一下,发现 mmdeploy 的 Mask R-CNN 速度极慢:https://mmdeploy.readthedocs.io/en/latest/benchmark.html
官方速度仅为 4.14:
因为 Mask-RCNN 只是 Faster-RCNN 改了点 head,理论上不可能有这么大的影响,所以怀疑和 mmdetection 原因一样,本项目也会对此进行优化。
CPU:Intel(R) Core(TM) i9-10900K CPU @ 3.70GHz
GPU:NVIDIA GeForce RTX 3080 10GB
内存:64G
硬盘:1TB NVME SSD
Python: 3.9.7 (default, Sep 16 2021, 13:09:58) [GCC 7.5.0]
CUDA available: True
GPU 0: NVIDIA GeForce RTX 3080
CUDA_HOME: /usr/local/cuda
NVCC: Build cuda_10.2_r440.TC440_70.29663091_0
GCC: gcc (Ubuntu 7.5.0-3ubuntu1~18.04) 7.5.0
PyTorch: 1.9.1+cu111
PyTorch compiling details: PyTorch built with:
- GCC 7.3
- C++ Version: 201402
- Intel(R) Math Kernel Library Version 2020.0.0 Product Build 20191122 for Intel(R) 64 architecture applications
- Intel(R) MKL-DNN v2.1.2 (Git Hash 98be7e8afa711dc9b66c8ff3504129cb82013cdb)
- OpenMP 201511 (a.k.a. OpenMP 4.5)
- NNPACK is enabled
- CPU capability usage: AVX2
- CUDA Runtime 11.1
- NVCC architecture flags: -gencode;arch=compute_37,code=sm_37;-gencode;arch=compute_50,code=sm_50;-gencode;arch=compute_60,code=sm_60;-gencode;arch=compute_70,code=sm_70;-gencode;arch=compute_75,code=sm_75;-gencode;arch=compute_80,code=sm_80;-gencode;arch=compute_86,code=sm_86
- CuDNN 8.0.5
- Magma 2.5.2
- Build settings: BLAS_INFO=mkl, BUILD_TYPE=Release, CUDA_VERSION=11.1, CUDNN_VERSION=8.0.5, CXX_COMPILER=/opt/rh/devtoolset-7/root/usr/bin/c++, CXX_FLAGS= -Wno-deprecated -fvisibility-inlines-hidden -DUSE_PTHREADPOOL -fopenmp -DNDEBUG -DUSE_KINETO -DUSE_FBGEMM -DUSE_QNNPACK -DUSE_PYTORCH_QNNPACK -DUSE_XNNPACK -DSYMBOLICATE_MOBILE_DEBUG_HANDLE -O2 -fPIC -Wno-narrowing -Wall -Wextra -Werror=return-type -Wno-missing-field-initializers -Wno-type-limits -Wno-array-bounds -Wno-unknown-pragmas -Wno-sign-compare -Wno-unused-parameter -Wno-unused-variable -Wno-unused-function -Wno-unused-result -Wno-unused-local-typedefs -Wno-strict-overflow -Wno-strict-aliasing -Wno-error=deprecated-declarations -Wno-stringop-overflow -Wno-psabi -Wno-error=pedantic -Wno-error=redundant-decls -Wno-error=old-style-cast -fdiagnostics-color=always -faligned-new -Wno-unused-but-set-variable -Wno-maybe-uninitialized -fno-math-errno -fno-trapping-math -Werror=format -Wno-stringop-overflow, LAPACK_INFO=mkl, PERF_WITH_AVX=1, PERF_WITH_AVX2=1, PERF_WITH_AVX512=1, TORCH_VERSION=1.9.1, USE_CUDA=ON, USE_CUDNN=ON, USE_EXCEPTION_PTR=1, USE_GFLAGS=OFF, USE_GLOG=OFF, USE_MKL=ON, USE_MKLDNN=ON, USE_MPI=OFF, USE_NCCL=ON, USE_NNPACK=ON, USE_OPENMP=ON,
TorchVision: 0.10.1+cu111
OpenCV: 4.5.4
MMCV: 1.3.17
MMCV Compiler: GCC 7.3
MMCV CUDA Compiler: 11.1
MMDetection: 2.19.0+
Mask R-CNN 的推断过程包含以下几个步骤,我们在一些可能是瓶颈的位置增加了时间统计:
- 图像预处理,
pre-processing
,mmdet/apis/inference.py#L104-L150 - ResNet50 提取特征,
backbone
,mmdet/models/detectors/two_stage.py#L181-L185 - RPN 提取候选框,
rpn_head
,mmdet/models/detectors/two_stage.py#L187-L194 - ROI 精调框以及输出 mask,
roi_head
,mmdet/models/detectors/two_stage.py#L196-L201bbox forward
,时间太短未统计,5ms 以内bbox post-processing
,时间太短未统计,5ms 以内mask forward
,mmdet/models/roi_heads/test_mixins.py#L253-L272mask post-processing
,mmdet/models/roi_heads/test_mixins.py#L275-L288
注意:mask post-processing
的时间包含在 roi_head
里,所以减少 mask post-processing
的时间就是在减少 roi_head
的时间。
测试图片:
stage | pre-processing | backbone | rpn_head | mask forward | mask post-processing | roi_head | total |
---|---|---|---|---|---|---|---|
inference | 13.45 | 24.87 | 10.16 | 3.84 | 15.74 | 23.49 | 72.3 |
inference_fp16 | 13.53 | 15.98 | 8.34 | 3.36 | 15.74 | 22.97 | 61.4 |
inference_fp16_preprocess | 1.75 | 15.91 | 8.21 | 3.33 | 15.61 | 22.69 | 49.03 |
inference_raw_mask | 1.65 | 15.93 | 8.34 | 3.36 | 1.74 | 8.89 | 33.45 |
stage | pre-processing | backbone | rpn_head | mask forward | mask post-processing | roi_head | total |
---|---|---|---|---|---|---|---|
inference | 128.44 | 187.24 | 69.96 | 6.01 | 173.72 | 183.95 | 569.92 |
inference_fp16 | 127.28 | 120.10 | 50.30 | 6.80 | 172.42 | 186.81 | 485.04 |
inference_fp16_preprocess | 11.02 | 120.20 | 50.18 | 6.82 | 174.62 | 187.07 | 379.00 |
inference_raw_mask | 11.03 | 120.26 | 50.46 | 6.81 | 2.99 | 15.34 | 197.69 |
mmdet 原版:
加速版:
目测没有显著差异。
- 使用
wrap_fp16_model
可以节省backbone
的时间,但是不是所有情况下的forward
都能节省时间; - 使用
torchvision.transforms.functional
去做图像预处理,可以极大提升推断速度; - 使用
FCNMaskHeadWithRawMask
,避免对mask
进行resize
,对越大的图像加速比越高,因为resize
到原图大小的成本很高; - 后续优化,需要考虑
backbone
和rpn_head
的优化,可以使用TensorRT
进行加速。
把一些支持 fp16 的层使用 fp16 来推断,可以充分利用显卡的 TensorCore,加速 forward 部分的速度。
参考链接:https://zhuanlan.zhihu.com/p/375224982
在 backbone 上,时间从 24.87 降到 15.93,在大图上从 187.24 降到 120.26,提升 35% 左右。
使用 pytorch 的 resize、pad、normalize,可以利用上 GPU 而不是 CPU。我们在推断过程中,CPU 利用率始终是最高的,而 GPU 利用率几乎没有满过,所以只要能够把 CPU 的事情交给 GPU 做,就能解决瓶颈问题,减少推断时间。
- mmdet 的 pipeline 与
torchvision.transforms.functional
的桥梁:detect/utils_torchvision.py - torchvision.transforms.functional.resize
- torchvision.transforms.functional.pad
- normalize 直接使用 tensor 的减法和除法即可
由于整个过程都可以使用 GPU,所以时间从 13.45 降低到 1.65,在大图上从 128.44 降低到 11.03,提升 10 倍左右。
首先我们看看 mmdet 处理的结果格式:
可以看到,有多少个 bbox,就有多少个 segm,每个 segm 都是原图尺寸。不管是 CPU,还是内存,都需要大量的时间去处理。
然后再看看 FCNMaskHeadWithRawMask 处理的格式:
每个结果都是 28x28 的,这也是模型原始输出,所以信息量和上面是一样的。
唯一的区别是,我们在拿到结果之后,如果要可视化,需要 resize 到 bbox 的大小,参考 detect/utils_visualize.py#L36-L40
使用 FCNMaskHeadWithRawMask 可以从 15.74 降到 1.74,大图可以从 173.72 降到 2.99,也就是说,图越大,这个加速比越大。
安装文档参考:https://mmdeploy.readthedocs.io/en/latest/build.html
我使用的 mmdeploy 的版本是 v0.1.0,https://github.com/open-mmlab/mmdeploy/commit/9aabae32aaf01549f3ecc1d8fc1ab455deb42ca9
其他环境参考:
- NVIDIA Driver 510.39.01
- CUDA 11.1
- cuDNN 8.2.1
- g++ 9.3.0
- TensorRT-8.0.3.4
- ppl.cv@2b17d83028c3137f865ff0acbad1dd3381e13a3b
首先需要对 pytorch 的模型进行转换,得到 TensorRT 的模型。
转换脚本:tools/deploy.py
我已经将其修改为以下配置:
- 测试图片:demo/demo.jpg
- 模型配置:
configs/mask_rcnn/mask_rcnn_r50_fpn_2x_coco.py
- 模型权重:[https://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_fpn_2x_coco/mask_rcnn_r50_fpn_2x_coco_bbox_mAP-0.392__segm_mAP-0.354_20200505_003907-3e542a40.pth(https://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_fpn_2x_coco/mask_rcnn_r50_fpn_2x_coco_bbox_mAP-0.392__segm_mAP-0.354_20200505_003907-3e542a40.pth]
- 部署配置:configs/mmdet/instance-seg/instance-seg_tensorrt-fp16_dynamic-320x320-1344x1344.py
转换完成之后,目录结构:
(base) ➜ work_dirs tree
.
└── mask_rcnn_coco_trt
├── end2end.engine
├── end2end.onnx
├── output_pytorch.jpg
└── output_tensorrt.jpg
PyTorch 预测效果:
TensorRT 预测效果:
与 PyTorch 原版几乎无差别。
stage | pre-processing | forward | post-processing | total |
---|---|---|---|---|
mmdetection inference_detector | 13.45 | 38.87 | 15.74 | 72.3 |
mmdetection inference_raw_mask | 1.65 | 27.63 | 1.74 | 33.45 |
mmdeploy run_inference | 13.39 | 15.21 | 140.6 | 170.03 |
mmdeploy post-process | 13.49 | 13.62 | 0.28 | 27.82 |
mmdeploy pre-preocess + post-process | 0.94 | 13.92 | 0.27 | 15.12 |
stage | pre-processing | forward | post-processing | total |
---|---|---|---|---|
mmdetection inference_detector | 128.44 | 263.21 | 173.72 | 569.92 |
mmdetection inference_raw_mask | 11.03 | 177.53 | 2.99 | 197.69 |
mmdeploy run_inference | 137.86 | 66.02 | 7615.86 | 7821.85 |
mmdeploy post-process | 204.99 | 66.03 | 0.29 | 271.65 |
mmdeploy pre-preocess + post-process | 8.84 | 63.38 | 0.29 | 63.8 |
mmdeploy 原版:
加速版:
目测没有显著差异。
- 使用 torchvision.transforms.functional 去做图像预处理,可以极大提升推断速度;
- 使用 TensorRT,可以显著降低 GPU forward 的时间;
- Mask 后处理的优化可以极大降低处理时间;
- 在 1333x800 尺度上,仅需 15.12ms 处理一张图,相当于 66fps,比起原版 4.14fps 提升 16 倍;
- 如果使用 INT8 量化,也许还能更快。
因为 INT8 表示范围有限,所以需要一些数据集去 calib,这里我在 coco2017 valid 上抽取了 5000 张图去做 calib。
抽取了 5000 张图处理好 json 之后,放在了 data/coco/annotations/instances_val2017.json
相对路径,因为这样可以直接使用 instance-seg_tensorrt-int8_dynamic-5000.py
的配置文件,直接跑 deploy.py
。
calib 5000 张图大概需要 13GB 的硬盘空间,以及一个小时的时间。
目录结构:
(base) ➜ mask_rcnn_coco_trt git:(mmdeploy) ✗ tree
.
├── calib_data.h5
├── end2end.engine
├── end2end.onnx
├── output_pytorch.jpg
└── output_tensorrt.jpg
目测没有显著差异。