模型部署
1 性能测试
**【提示】**在正式部署 AI 模型前，我们强烈建议您先在 芯片端进行相关模型的性能测试，以确保当前模型的推理性能符合预期。
SDK 目录下的 spacemit-ort/bin/ onnxruntime_perf_test工具支持在 芯片端快速测试 AI 算法模型的纯推理性能。该工 具兼容 ONNX 模型，故您可以很方便的使用它来评测原始 ONNX 浮点模型，以及转换（和/或量化）后的 ONNX 定点模型性能。
1.2 使用说明
$ onnxruntime_perf_test - h
perf_test [options...] model_path [result_file]
Options:
- m [test_mode]: Specifies the test mode. Value could be 'duration' or 'times'.
Provide 'duration' to run the test for a fix duration, and 'times' to repeated for a certain times.
- M: Disable memory pattern.
- A: Disable memory arena
- c [parallel runs]: Specifies the (max) number of runs to invoke simultaneously. Default:1.
- e [cpu|spacemit]: Specifies the provider 'cpu', 'pacemit'. Default:'cpu'.
- r [repeated_times]: Specifies the repeated times if running in 'times' test mode.Default:1000.
- t [seconds_to_run]: Specifies the seconds to run for 'duration' mode. Default:600.
- p [profile_file]: Specifies the profile name to enable profiling and dump the profile data to the file.
- s: Show statistics result, like P75, P90. If no result_file provided this defaults to on.
- S: Given random seed, to produce the same input data. This defaults to - 1(no initialize).
- v: Show verbose information.
- x [intra_op_num_threads]: Sets the number of threads used to parallelize the execution within nodes, A value of 0 means ORT will pick a default. Must >= 0.
- y [inter_op_num_threads]: Sets the number of threads used to parallelize the execution of the graph (across nodes), A value of 0 means ORT will pick a default. Must >= 0.
- f [free_dimension_override]: Specifies a free dimension by name to override to a specific value for performance optimization. Syntax is [dimension_name:override_value]. override_value must > 0
- F [free_dimension_override]: Specifies a free dimension by denotation to override to a specific value for performance optimization. Syntax is [dimension_denotation:override_value]. override_value must > 0
- P: Use parallel executor instead of sequential executor.
- o [optimization level]: Default is 99 (all). Valid values are 0 (disable), 1 (basic), 2 (extended), 99 (all).
Please see onnxruntime_c_api.h (enum GraphOptimizationLevel) for the full list of all optimization levels.
- u [optimized_model_path]: Specify the optimized model path for saving.
- z: Set denormal as zero. When turning on this option reduces latency dramatically, a model may have denormals.
- T [Set intra op thread affinities]: Specify intra op thread affinity string
[Example]: - T 1, 2; 3, 4; 5, 6 or - T 1 - 2; 3 - 4; 5 - 6
Use semicolon to separate configuration between threads.
E.g. 1, 2; 3, 4; 5, 6 specifies affinities for three threads, the first thread will be attached to the first and second logical processor.
The number of affinities must be equal to intra_op_num_threads - 1
- D [Disable thread spinning]: disable spinning entirely for thread owned by onnxruntime intra - op thread pool.
- H: Maximum value to produce the random input data. This defaults to - 1(as std::numeric_limits<T>::max() whenever the value given by this option less than value of '- L').
- L: Minimum value to produce the random input data. This defaults to 0.
- R: Count of random generated input test data. This defaults to 1 and must > 0.
- U: Maximum value to produce the random value of free dimensions which are not overriden. This defaults to 1. Specified value must > 0.
- V: Minimum value to produce the random value of free dimensions which are not overriden. This defaults to 1. Specified value must > 0.
- Z [Force thread to stop spinning between runs]: disallow thread from spinning during runs to reduce cpu usage.
- h: help
1.2 参数说明
| 参数 | 必要/可选 | 默认值 | 说明 |
|---|---|---|---|
| - m | 可选 | times | 测试模式：固定测试时长(s)或测试次数（注：原 onnxruntime_perf_test 工具默认 'duration' 模式） |
| - M | 可选 | 无 | 禁用内存 pattern |
| - A | 可选 | 无 | 禁用内存 arena |
| - c | 可选 | 1 | 压测并行推理数量（同一时刻，触发 session.run() 的个数） |
| - e | 可选 | cpu | 推理运行的 Provider(s)，使用时用 " " 隔开，当前可选 EP(s) 包括：{cpu |
| - r | 可选 | 1000 | 固定测试次数模式下的模型推理测试次数（每个 session） |
| - t | 可选 | 600 | 固定测试时间模式下的模型推理测试时间（每个 session），单位：秒 |
| - p | 可选 | 无 | Profiling 文件路径（默认：禁用，非空：使能） |
| - s | 可选 | ON | 打印推理耗时统计信息（如果未指定结果文件，则默认开启） |
| - S | 可选 | - 1 | 随机种子（默认 - 1 即不随 机初始化测试数据，0 随机随机种子， > 0 用户指定的随机种子） |
| - v | 可选 | 无 | 使能调试信息 |
| - x | 可选 | 0 | 单个算子内部并行线程数（默认 0 即 onnxruntime 内部机制） |
| - y | 可选 | 0 | 多个算子并发执行线程数（默认 0 即 onnxruntime 内部机制） |
| - f | 可选 | 无 | 按 参数名称(字符串：参见 abs_free_dimensions.onnx) 指定模型输入中自由维度的数值，格式 key:value |
| - F | 可选 | 无 | 按 标记名称(字符串：参见 abs_free_dimensions.onnx) 指定模型输入中自由维度的数值，格式 key:value |
| - P | 可选 | 无 | 使能并行执行模式 |
| - o | 可选 | 99 | 模型优化等级 |
| - u | 可选 | 无 | 优化后模型的保存路径 |
| - z | 可选 | 无 | 同 session_options.AddConfigEntry(kOrtSessionOptionsConfigSetDenormalAsZero, "1") |
| - T | 可选 | None | 指定 onnxruntime 内部线程池中线程的亲和性 |
| - D | 可选 | 无 | 完全禁用 onnxruntime 算子内并发计算相关线程池中线程的空转 |
| - H | 可选 | - 1 | 随机生成测试数据最大值（如果小于最小值，则默认使用相应数据类型的最大值） |
| - L | 可选 | 0 | 随机生成测试数据最小值 |
| - R | 可选 | 1 | 随机生成测试数据（组）数 |
| - U | 可选 | 1 | 自由维度（一般是 batch size）随机数据最大值 |
| - V | 可选 | 1 | 自由维度（一般是 batch size）随机数据最小值 |
| - Z | 可 选 | 无 | 禁止线程在运行期间空转，以减少 CPU 利用率 |
| - h, -- help | 可选 | 无 | 打印使用说明 |
1.3 使用示例
以 onnxruntime / test / testdata / abs_free_dimensions.onnx模型为例：
1.3.1. 随机测试数据
固定测试次数 100，随机生成 10 组测试数据，并且固定随机种子为 1、随机测试数据最大 6、随机测试数据最小 2
$ MODEL = abs_free_dimensions.onnx
$ ARGS = "${MODEL} ${MODEL%.onnx}.txt - m times - r 100 - R 10 - S 1 - H 6 - L 2"
$ onnxruntime_perf_test ${ARGS}
...
Session creation time cost: 0.0455992 s
First inference time cost: 0 ms
Total inference time cost: 0.00371454 s
Total inference requests: 100
Average inference time cost: 0.0371454 ms
Total inference run time: 0.00417042 s
Number of inferences per second: 23978.4
...
2 应用开发
2.1 AI Support Library
2.1.1 Demo 简介
当前 Support Library Demo 位于部署工具包中 bianbu-ai-support 目录下，相关说明及示例如下：
$ tree - L 3 /opt/spacemit-ai-sdk.v1.1.0/bianbu-ai-support/
/opt/spacemit-ai-sdk.v1.1.0/bianbu-ai- support/
├── bin // 预编译好的可执行程序
│ ├── classification_demo
│ ├── detection_demo
│ ├── detection_stream_demo
│ ├── detection_video_demo
│ ├── estimation_demo
│ └── tracker_stream_demo
├── demo // demo cmake 工程
│ ├── CMakeLists.txt
│ ├── README.md
│ ├── build.sh // 快速编译（及测试）脚本
│ ├── dataloader.hpp
│ ├── image_classification_demo.cc
│ ├── object_detection.hpp
│ ├── object_detection_demo.cc
│ ├── object_detection_stream_demo.cc
│ ├── object_detection_video_demo.cc
│ ├── pose_estimation.hpp
│ ├── pose_estimation_demo.cc
│ ├── pose_tracker_stream_demo.cc
│ └── utils
│ ├── cv_helper.hpp
│ ├── json.hpp
│ ├── json_helper.hpp
│ └── win_getopt
├── include // 预处理、后 处理、辅助函数等模块
│ └── bianbuai
│ ├── task
│ └── utils
├── lib
│ ├── 3rdparty // 第三方依赖库
│ │ └── opencv4
│ ├── libbianbuai.so -> libbianbuai.so.1
│ ├── libbianbuai.so.1 -> libbianbuai.so.1.0.15
│ └── libbianbuai.so.1.0.15
└── share
└── ai - support // 预置资源数据
├── imgs
├── models
└── videos
16 directories, 24 files
2.1.2 Demo 编译
交叉编译
交叉编译主要适用于 PC 端（e.g. x86_64 开发环境），流程（示例）如下：
# 指定 spacemit-ai-sdk 路径
$ SDK = ${PATH_TO_SPACEMIT_AI_SDK} # e.g. / opt / spacemit-ai-sdk.v1.1.0
# 指定交叉编译相关环境变量
$ CROSS_TOOL = $SDK / spacemit - gcc / bin / riscv64 - unknown - linux - gnu -
$ SYSROOT = $SDK / spacemit - gcc / sysroot
$ BIANBUAI_HOME = $SDK / bianbu - ai - support
$ ORT_HOME = $SDK / spacemit - ort
$ OPENCV_DIR = $SDK / bianbu - ai - support / lib / 3rdparty / opencv4 / lib / cmake / opencv4
# 创建 cmake 工作目录并编译 demo
$ cd ${BIANBUAI_HOME} / demo
$ mkdir build && pushd build
$ cmake.. - DBIANBUAI_HOME = ${BIANBUAI_HOME} - DORT_HOME = ${ORT_HOME} - DOpenCV_DIR = ${OPENCV_DIR} - DCMAKE_C_COMPILER = ${CROSS_TOOL}gcc - DCMAKE_CXX_COMPILER = ${CROSS_TOOL}g++ - DCMAKE_SYSROOT = ${SYSROOT}
$ make - j4
$ popd
本地编译
本地编译适用于 芯片端，流程（示例）如下：
# 指定本地编译相关环境变量
$ CROSS_TOOL =
$ SYSROOT =
$ BIANBUAI_HOME = $SDK / bianbu - ai - support # 指定最新 sdk 中的版本或 / usr 目录
$ ORT_HOME = $SDK / spacemit - ort # 指定最新 sdk 中的版本或 / usr 目录
$ OPENCV_DIR = # 指定最新 sdk 中的版本或通过 find_package 自动查找
# 创建 cmake 工作目录并编译 demo
$ cd ${BIANBUAI_HOME} / demo
$ mkdir build && pushd build
$ cmake.. - DBIANBUAI_HOME = ${BIANBUAI_HOME} - DORT_HOME = ${ORT_HOME} - DOpenCV_DIR = ${OPENCV_DIR} - DCMAKE_C_COMPILER = ${CROSS_TOOL}gcc - DCMAKE_CXX_COMPILER = ${CROSS_TOOL}g++ - DCMAKE_SYSROOT = ${SYSROOT}
$ make - j4
$ popd
【提示】上述相关内容已提前预置在 demo / build.sh快速编译脚本中。您可以通过编辑 demo / build.sh脚本，快速修改相关配置（如：ORT_HOME 等变量）。届时，您可以通过 bash build.sh（交叉编译）和 bash build.sh -- native（本地编译）命令快速验证 demo 编译。
快速编译
# 一键交叉编译(e.g. spacemit-ai-sdk.v1.1.0 docker 环境)
$ cd / opt / spacemit-ai-sdk.v1.1.0 / bianbu - ai - support / demo
$ bash build.sh
2.1.3 Demo 运行
- 仿真配置
对于交叉编译后的 demo 程序，您可以使用部署工具中预置的
qemu - riscv64工具，实现 PC 端的仿真运行。相关配置如下：
$ QEMU_CMD = "$SDK / spacemit - qemu / bin / qemu - riscv64 - L $SYSROOT"
- 运行示例 【提示】对于本地编译后的 demo 程序，您无需配置任何环境变量。
# Create softlink to test resource if necessary
$ ln - sf ${BIANBUAI_HOME} / rootfs / usr / share / ai - support data
# Smoke test with image classification
$ env LD_LIBRARY_PATH = ${ORT_HOME} / lib:$LD_LIBRARY_PATH ${QEMU_CMD} \
build / classification_demo data / models / squeezenet1.1 - 7.onnx data / labels / synset.txt data / imgs / dog.jpg
# Smoke test with object detection
$ env LD_LIBRARY_PATH = ${ORT_HOME} / lib:$LD_LIBRARY_PATH ${QEMU_CMD} \
build / detection_demo data / models / nanodet - plus - m_320.onnx data / models / coco.txt data / imgs / person.jpg result0.jpg
【提示】上述相关内容已同样提前预置在 demo / build.sh快速编译脚本中。您可以通过 bash build.sh -- test命令快速运行上述示例（x86_64 docker 环境仿真测试）:
[INF0] Building demos done. [INFO]Prepare... [INFO] Smoke test with image classification task
[INF0] Run:bld / classificat ion_demo data / mode ls / squeezenet1.1 - 7.onnx data / mode ls / synset.txt data / imgs / dog.jpg open tcm device failed(- 1) Enable spacemit ep now tcm heck param err--->fun:tcmmalloc_sync + line:164Classfy result:n02113023 Pembroke, Pembroke Welsh corgi [INFO] Smoke test with object detection task... [INF0] Run: bld / detection_demo data / mode s / nanodet - plus - m_320.onnx data / models / coco.txt data / imgs / person.jpg resulto.jpg open t
2.1.4 Demo 说明
- classification_demo
单张图片图像分类 demo，输入单张图片路径，输出图像的类别。
- 运行方法
$ classification_demo
Usage:
classification_demo <model_path> <label_path> <image_path>
classification_demo <config_path> <image_path>
- 参数说明
| 参数 | 必选/可选 | 默认值 | 备注 |
|---|---|---|---|
| model_path | 必选 | 无 | 模型文件路径 |
| label_path | 必选 | 无 | 标签文件路径 |
| config_path | 必选 | 无 | 配置文件路径 |
| image_path | 必选 | 无 | 图像文件路径 |
- detection_demo
单张图片目标检测 demo，输入单张图片地址与保存图片地址，输出框信息并将画框后图片保存到目标图片位置。
- 运行方法
$ detection_demo
Usage:
detection_demo <model_path> <label_path> <image_path> <save_path>
detection_demo <config_path> <image_path> <save_path>
- 参数说明
| 参数 | 必选/可选 | 默认值 | 备注 |
|---|---|---|---|
| model_path | 必选 | 无 | 模型文件路径 |
| label_path | 必选 | 无 | 标签文件路径 |
| config_path | 必选 | 无 | 配置文件路径 |
| image_path | 必选 | 无 | 图像文件路径 |
| save_path | 必选 | 无 | 保存图像文件路径 |
- detection_stream_demo
视频流目标检测 demo，可以输入视频文件或者接入摄像头并实时显示画框后的画面。
- 运行方法
$ detection_stream_demo
Usage:
detection_stream_demo [-h <resize_height>] [-w <resize_width>] [-f] <model_path> <label_path> <input>
detection_stream_demo [-h <resize_height>] [-w <resize_width>] [-f] <config_path> <input>
- 参数说明
| 参数 | 必选/可选 | 默认值 | 备注 |
|---|---|---|---|
| model_path | 必选 | 无 | 模型文件路径 |
| label_path | 必选 | 无 | 标签文件路径 |
| config_path | 必选 | 无 | 配置文件路径 |
| input | 必选 | 无 | 输入内容 |
| -w | 可选 | 320 | 缩放后宽度大小 |
| -h | 可选 | 320 | 缩放后高度大小 |
| -f | 可选 | 无 | 水平翻转 |
- detection_video_demo
视频目标检测 demo，输入视频文件地址，会输出实时框信息并保存画框后的视频（avi 格式）到目标地址。
- 运行方法
$ detection_video_demo
Usage:
detection_video_demo <model_path> <label_path> <video_path> <save_path>(*.avi)
detection_video_demo <config_path> <video_path> <save_path>(*.avi)
- 参数说明
| 参数 | 必选/可选 | 默认值 | 备注 |
|---|---|---|---|
| model_path | 必选 | 无 | 模型文件路径 |
| label_path | 必选 | 无 | 标签文件路径 |
| config_path | 必选 | 无 | 配置文件路径 |
| video_path | 必选 | 无 | 视频文件路径（mp4，avi） |
| save_path | 必选 | 无 | 保存视频文件路径 |
- estimation_demo
单张图片姿态估计 demo，输入单张图片地址与保存图片地址，将画点后图片保存到目标图片位置。
- 运行方法
$ estimation_demo
Usage:
estimation_demo <detection_model_path> <detection_label_path> <pose_point_model_path> <image_path> <save_path>
estimation_demo <detection_config_path> <pose_point_config_path> <image_path> <save_path>
- 参数说明
| 参数 | 必选/可选 | 默认值 | 备注 |
|---|---|---|---|
| detection_model_path | 必选 | 无 | 目标检测模型文件路径 |
| detection_label_path | 必选 | 无 | 目标检测标签文件路径 |
| pose_point_model_path | 必选 | 无 | 姿态模型文件路径 |
| detection_config_path | 必选 | 无 | 目标检测模型配置文件路径 |
| pose_point_config_path | 必选 | 无 | 姿态模型配置文件路径 |
| image_path | 必选 | 无 | 图像文件路径 |
| save_path | 必选 | 无 | 保存图像文件路径 |
- tracker_stream_demo 视频流姿态追踪 demo，可以输入视频文件或者接入摄像头并实时显示画框后的画面。
- 运行方法
$ tracker_stream_demo
Usage:
tracker_stream_demo [-h <resize_height>] [-w <resize_width>] [-f] <detection_model_path> <detection_label_path> <pose_point_model_path> <input>
tracker_stream_demo [-h <resize_height>] [-w <resize_width>] [-f] <detection_config_path> <pose_point_config_path> <input>
- 参数说明
| 参数 | 必选/可选 | 默认值 | 备注 |
|---|---|---|---|
| detection_model_path | 必选 | 无 | 目标检测模型文件路径 |
| detection_label_path | 必选 | 无 | 目标检测标签文件路径 |
| pose_point_model_path | 必选 | 无 | 姿态模型文件路径 |
| detection_config_path | 必选 | 无 | 目标检测模型配置文件路径 |
| pose_point_config_path | 必选 | 无 | 姿态模型配置文件路径 |
| input | 必选 | 无 | 输入内容 |
| -w | 可选 | 320 | 缩放后宽度大小 |
| -h | 可选 | 320 | 缩放后高度大小 |
| -f | 可选 | 无 | 水平翻转 |
2.1.5 环境变量说明
| 环境变量名称 | 备注 |
|---|---|
| SUPPORT_SHOW | (stream demo) -1 表示不显示 |
| SUPPORT_SHOWFPS | (stream demo) 如果有内容，将显示 fps |
| SUPPORT_PROFILING_PROJECTS | 生成的 profile 文件地址 |
| SUPPORT_LOG_LEVEL | 范围是 0 - 4 |
| SUPPORT_GRAPH_OPTIMIZATION_LEVEL | 图优化级别 (ort_disable_all, ort_enable_basic, ort_enable_extended, ort_enable_all) |
| SUPPORT_OPT_MODEL_PATH | 优化后的模型路径 |
| SUPPORT_DISABLE_SPACEMIT_EP | 1 表示禁用 spacemit - ep |
| SUPPORT_OPENCV_THREAD_NUM | opencv（>= 4.x）使用的线程数 |
2.2 AI Engine
2.2.1 简介
SpacemiT - ORT 包含 ONNXRuntime 基础推理框架（v1.15.1）与 SpaceMITExecutionProvider 加速后端（后简称 EP），其使用方法与公版 ONNXRuntime 几乎一致。
2.2.2 QuickStart
- C & C++
#include <onnxruntime_cxx_api.h>
#include "spacemit_ort_env.h"
Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "ort - demo") ;
Ort::SessionOptions session_options;
// 设置推理线程数
//int64_t num_threads = 2;
//session_options.SetIntraOpNumThreads(num_threads);
std::unordered_map<std::string, std::string> provider_options;
// provider_options["SPACEMIT_EP_DISABLE_OP_TYPE_FILTER"] = "OPA;OPB;OPC"; 禁止 EP 推理某些 OP 类型, node.op
// provider_options["SPACEMIT_EP_DISABLE_OP_NAME_FILTER"] = "OPA;OPB;OPC"; 禁止 EP 推理某些命名的 OP, node.name
SessionOptionsSpaceMITEnvInit(session_options, provider_options); // 可选加载 SpaceMIT 环境初始化
Ort::Session session(env, net_param_path, session_options);
//...后续与公版 ORT 一致
- Python
# 使用 whl 包安装
# pip install spacemit_ort - *.whl
# 在 riscv64 平台上如果遇到警告则加上 -- break - system - packages
# whl 包剥离了依赖库的自动安装, 需要自行安装 numpy
# 对于 riscv64 平台，使用命令 apt install python3 - numpy 安装
import onnxruntime as ort
import numpy as np
import spacemit_ort
eps = ort.get_available_providers() #
net_param_path = "resnet18.q.onnx"
sess_options = ort.SessionOptions()
# 设置线程数
# sess_options.intra_op_num_threads = 2
# 设置 log 等级
# sess_options.log_severity_level = 1
# 带 ep 的 session
session = ort.InferenceSession(net_param_path, sess_options, providers = ["SpaceMITExecutionProvider"])
# 不带 ep 的 session
# 因为存在 2 个 EP，因此需要特别指定
ref_session = ort.InferenceSession(net_param_path, sess_options, providers = ["CPUExecutionProvider"])
input_tensor = np.ones((1, 3, 224, 224), dtype = np.float32)
input_name = session.get_inputs()[0].name
output_names = [output.name for output in session.get_outputs()]
outputs = session.run(output_names, {input_name: input_tensor})
ref_outputs = ref_session.run(output_names, {input_name: input_tensor})
# outputs 与 ref_outputs 的误差一般在 1e - 5 以内
2.2.3 Custom Operators plugins
使用原生 onnxruntime 的扩展自定义算子的方式，原文可参考 https://onnxruntime.ai/docs/reference/operators/add - custom - op.html
#include "onnxruntime_cxx_api.h"
struct CustomKernel {
CustomKernel (const OrtKernelInfo* info);
void Compute(OrtKernelContext* context);
};
struct CustomOp : Ort::CustomOpBase<CustomOp, CustomKernel> {
explicit CustomOp ();
void* CreateKernel(const OrtApi&, const OrtKernelInfo*) const;
const char* GetName() const { return "custom op"; };
const char* GetExecutionProviderType() const { return "CPUExecutionProvider"; };
size_t GetInputTypeCount() const { return 1; };
ONNXTensorElementDataType GetInputType(size_t) const { return ONNX_TENSOR_ELEMENT_DATA_TYPE_UNDEFINED; };
OrtCustomOpInputOutputCharacteristic GetInputCharacteristic(size_t) const { return OrtCustomOpInputOutputCharacteristic::INPUT_OUTPUT_OPTIONAL; };
size_t GetOutputTypeCount() const { return 1; };
ONNXTensorElementDataType GetOutputType(size_t) const { return ONNX_TENSOR_ELEMENT_DATA_TYPE_UNDEFINED; };
OrtCustomOpInputOutputCharacteristic GetOutputCharacteristic(size_t) const { return OrtCustomOpInputOutputCharacteristic::INPUT_OUTPUT_OPTIONAL; };
};
// 声明自定义算子域并向 session_options 增加自定义算子
static const char* c_OpDomain = "user.custom_domain";
Ort::CustomOpDomain domain{c_OpDomain};
static TestCustomOp CustomOp;
domain.Add(&TestCustomOp());
session_options.Add(domain);
2.2.4 Operator Accelerate List
| Op Type | Domain | Version | Attributes | Type | Notes | schema |
|---|---|---|---|---|---|---|
| Conv | ai.onnx | 1、11 | kernel_shape：限制二维 | T：tensor(float) | tensor(float16) | QLinearConv |
| ConvTranspose | ai.onnx | 1、11 | kernel_shape：限制二维 | T：tensor(float) | tensor(float16) | QLinearConvTranspose |
| QlinearMatMul | ai.onnx | 10 | T1：tensor(int8)\nT2：tensor(int8)\nT3：tensor(int8) | 仅支持 PerTensor 量化，仅支持 B 为常量的 MatMul；权重量化仅支持对称量化 | https://onnx.ai/onnx/operators/onnx__QLinearMatMul.html | |
| Gemm | ai.onnx | 1 、6、7、9、11、13 | alpha: 限制为 1.0\nbeta: 限制为 1.0 | T：tensor(float) | https://onnx.ai/onnx/operators/onnx__Gemm.html | |
| QGemm | com.microsoft | 1 | alpha: 限制为 1.0\nbeta: 限制为 1.0 | T：tensor(float)\nTA：tensor(int8)\nTB：tensor(int8)\nTC：tensor(int8)\nTYZ：tensor(int8)\nTY：tensor(int8) | 仅支持 PerTensor 量化，仅支持常量 Gemm；权重量化仅支持对称量化 | https://github.com/microsoft/onnxruntime/blob/main/docs/ContribOperators.md#com.microsoft.QGemm |
| AveragePool | ai.onnx | 1、7、10、11、19 | kernel_shape：限制二维\ncount_include_pad: 限制 1 | T：tensor(float) | QLinearAveragePool | com.microsoft |
| GlobalAveragePool | ai.onnx | 1 | T：tensor(float) | QLinearGlobalAveragePool | com.microsoft | 1 |
| MaxPool | ai.onnx | 11、12 | kernel_shape：限制二维 | T：tensor(float) | tensor(int8) | |
| QuantizeLinear | ai.onnx | 10、13、19 | T1：tensor(float)\nT2：tensor(int8) | tensor(int16) | ||
| DequantizeLinear | ai.onnx | 10、13、19 | T1：tensor(int8) | tensor(int16) | tensor(int32)\nT2：tensor(float) | |
| Add | ai.onnx | 1、6、7、13、14 | T：tensor(float) | QLinearAdd | com.microsoft | 1 |
| Sub | ai.onnx | 1、6、7、13、14 | T：tensor(float) | |||
| Mul | ai.onnx | 1、6、7、13、14 | T：tensor(float) | https://github.com/microsoft/onnxruntime/blob/main/docs/ContribOperators.md#com.microsoft.QLinearMul | ||
| QLinearMul | com.microsoft | 1 | T：tensor(int8) | |||
| Div | ai.onnx | 1、6、7，13，14 | T：tensor(float) | |||
| Sigmoid | ai.onnx | 1、6、13 | T：tensor(float) | QLinearSigmoid | com.microsoft | 1 |
| HardSigmoid | ai.onnx | 1、6 | T：tensor(float) | QLinearHardSigmoid | spacemit_ops | 1 |
| HardSwish | ai.onnx | 14 | T：tensor(float) | QLinearHardSwish | spacemit_ops | 1 |
| LeakyRelu | ai.onnx | 1、6、16 | T：tensor（float） | QLinearLeakyRelu | com.microsoft | 1 |
| Transpose | ai.onnx | 1、13 | T：tensor(int8) | tensor(uint8) | ||
| Cast | ai.onnx | 1、6、9、13、19 | T1：tensor(float) | tensor(float16)\nT2：tensor(float) | tensor(float16) | https://onnx.ai/onnx/operators/onnx__Cast.html |
| ReduceMean | ai.onnx | 11、13 | axes: 限制[2,3] | T：tensor(float) | QLinearReduceMean | com.microsoft |
| QLinearGelu | spacemit_ops | 1 | T：tensor(int8) | |||
| QLinearLayerNormalization | spacemit_ops | 1 | T：tensor(int8) | |||
| LayerNormalization | ai.onnx\ncom.microsoft | 17\n1 | T：tensor(float) | |||
| Gelu | com.microsoft | 1 | T：tensor(float) |
2.2.5 Inference Sample
为了使用户更加容易上手，我们提供了相应的推理 Sample。 可见 SDK 包中，spacemit - ort/samples 路径。
3 常见问题（FAQ）
欢迎大家踊跃提问
3.1 如何查看模型推理的 profiling 信息？
可以参考原版说明。 https://onnxruntime.ai/docs/performance/tune - performance/profiling - tools.html
#include <onnxruntime_cxx_api.h>
#include "spacemit_ort_env.h"
Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "ort - demo") ;
Ort::SessionOptions session_options;
std::unordered_map<std::string, std::string> provider_options;
std::string profile_path = "ort - demo - profile";
// 开启 profiling
session_options.EnableProfiling(profile_path.c_str());
std::string opt_net_path = "ort - demo - opt.onnx";
// 开启保存优化后 ONNX 模型，该模型只能在当前特定平台下使用
session_options.SetOptimizedModelFilePath(opt_net_path.c_str());
SessionOptionsSpaceMITEnvInit(session_options, provider_options);
Ort::Session session(env, net_param_path, session_options);
3.2 如何保存模型运行时逐层结果？
ONNX 模型节点输出 Tensor 的 dump 功能，由一系列环境变量控制，此处给出可能使用到的常用环境变量解释。
| 环境变量名 | 含义 | 取值 |
|---|---|---|
| ORT_DEBUG_NODE_IO_DUMP_SHAPE_DATA | 打印节点输入输出 Tensor 的 Shape 信息 | 0，1，默认为 0 |
| ORT_DEBUG_NODE_IO_DUMP_NODE_PLACEMENT | 打印节点的 EP 信息 | 0，1，默认为 0 |
| ORT_DEBUG_NODE_IO_DUMP_INPUT_DATA | dump 节点输入 Tensor 的数据 | 0，1，默认为 0 |
| ORT_DEBUG_NODE_IO_DUMP_OUTPUT_DATA | dump 节点输出 Tensor 的数据 | 0，1，默认为 0 |
| ORT_DEBUG_NODE_IO_NAME_FILTER | dump 节点的名字过滤 | 以分号间隔的字符串，默认为空 |
| ORT_DEBUG_NODE_IO_OP_TYPE_FILTER | dump 节点的类型过滤 | 以分号间隔的字符串，默认为空 |
| ORT_DEBUG_NODE_IO_DUMP_DATA_DESTINATION | dump 节点输入输出 Tensor 的导出类型 | 字符串 "stdout" or "files" or "sqlite"，一般选用 files |
| ORT_DEBUG_NODE_IO_OUTPUT_DIR | dump 节点输入输出 Tensor 的文件存放位置 | 字符串 |
| ORT_DEBUG_NODE_IO_DUMPING_DATA_TO_FILES_FOR_ALL_NODES_IS_OK | 确认是否导出全部的 Tensor | 0，1，默认为 0 |
export ORT_DEBUG_NODE_IO_DUMP_SHAPE_DATA=1
export ORT_DEBUG_NODE_IO_DUMP_OUTPUT_DATA=1
export ORT_DEBUG_NODE_IO_DUMP_DATA_DESTINATION=files
# 指定导出 Tensor 文件的目录
export ORT_DEBUG_NODE_IO_OUTPUT_DIR=./dump_dir
export ORT_DEBUG_NODE_IO_DUMPING_DATA_TO_FILES_FOR_ALL_NODES_IS_OK=1
export ORT_DEBUG_NODE_IO_DUMP_NODE_PLACEMENT=1
export ORT_DEBUG_NODE_IO_APPEND_RANK_TO_FILE_NAME=1
# export ORT_DEBUG_NODE_IO_OP_TYPE_FILTER="QLinearConv;QLinearGlobalAveragePool"
rm -rf./dump_dir
mkdir -p./dump_dir
# 执行 demo 或者你的程序获得
./run_demo resnet18 resnet18.q.onnx
控制台输出
QLinearConv node: SpaceMITExecutionProvider_QLinearConv_20
Input 0 Name: PPQ_Operation_141
Shape: {1,7,7,512}
Input 1 Name: ortshared_1_0_1_2_token_254
Shape: {}
Input 2 Name: PPQ_Variable_373
Shape: {}
Input 3 Name: onnx::Conv_250
Shape: {512,512,3,3}
Input 4 Name: PPQ_Variable_375
Shape: {512}
Input 5 Name: PPQ_Variable_376
Shape: {512}
Input 6 Name: ortshared_1_0_1_3_token_255
Shape: {}
Input 7 Name: PPQ_Variable_382
Shape: {}
Input 8 Name: onnx::Conv_251
was missing data type
Placement: SpaceMITExecutionProvider
-----------
Output 0 Name: PPQ_Operation_145
Shape: {1,7,7,512}
Placement: SpaceMITExecutionProvider
-----------
QLinearGlobalAveragePool node: SpaceMITExecutionProvider_QLinearGlobalAveragePool_21
Input 0 Name: PPQ_Operation_147
Shape: {1,7,7,512}
Input 1 Name: ortshared_1_0_1_0_token_252
Shape: {}
Input 2 Name: PPQ_Variable_391
Shape: {}
Input 3 Name: ortshared_1_0_1_1_token_253
Shape: {}
Input 4 Name: PPQ_Variable_394
Shape: {}
Placement: SpaceMITExecutionProvider
-----------
Output 0 Name: PPQ_Operation_149
Shape: {1,1,1,512}
在./dump_dir目录中获得指定节点类型的所有输出，以 tensorproto 格式存放
3.3 如何设置多线程以及多线程亲和性？
可参考原版文档设置线程亲和性，因为架构特殊性，0 - 3 号线程无法手动设置亲和性，由 ep 自行管理。 https://onnxruntime.ai/docs/performance/tune - performance/threading.html#set - intra - op - thread - affinity
3.4 是否需要关注 Tensor 的 Layout 内存排布？
推理库完全沿用 ONNXRuntime 对于 Tensor 的定义，即 NCHW 与 shape 描述一致的内存布局。
3.5 输入 QLinear 算子的模型
ONNX 算子集合内有一些公版的 QLinear 算子，在静态 shape 的情况下，可以直接使用，而在其他情况下，尽量使用 QDQ 格式的量化模型