Cuda编程加速图像预处理

项目简介

• 基于 cuda 和 opencv 环境

• 目标：

  • 单独使用，以加速图像处理操作；
  • 结合 TensorRT 使用，进一步加快推理速度

加速效果

• 这里对比 Deeplabv3+ 使用 cuda 预处理前后的 tensorrt 推理速度
• 未使用cuda图像预处理的代码，可参考作者的另一个 tensorrt 的项目：

Deeplabv3+	FP32	FP16	INT8
C++图像预处理	22 ms	12 ms	10 ms
CUDA图像预处理	15 ms	5 ms	3 ms

• 对比 YOLOv5-v5.0 使用 cuda 预处理前后的 tensorrt 推理速度

YOLOv5-v5.0	FP32	FP16	INT8
C++图像预处理	12 ms	8 ms	6 ms
CUDA图像预处理	6 ms	3 ms	3 ms

YOLOv5 TensorRT 推理代码源自作者其他的项目 C++预处理 CUDA预处理

文件说明

project dir
    ├── bgr2rgb  # 实现BGR转RGB的cuda加速
    |   ├── Makefile
    |   └── bgr2rgb.cu
    ├── bilinear  # 实现双线性插值的cuda加速
    |   ├── Makefile
    |   └── resize.cu
    ├── hwc2chw  # 实现通道维度前置的cuda加速
    |   ├── Makefile
    |   └── transpose.cu
    ├── normalize  # 实现归一化的cuda加速
    |   ├── Makefile
    |   └── normal.cu
    ├── preprocess  # 汇总以上的图像处理（不是简单的拼接），实现常用的图像预处理，之后输入到网络当中
    |   ├── Makefile
    |   └── preprocess.cu
    ├── union_tensorrt  # 将上述的图像预处理，结合TensorRT一起使用，对比推理加速效果
    |   ├── Makefile
    |   ├── preprocess.cu
    |   ├── preprocess.h
    |   └── trt_infer.cpp  # 用于模型推理
    └── lena.jpg  # 用于测试的图片

使用说明

图像加速单一操作：

• 对于目录：bgr2rgb、bilinear、hwc2chw、normalize，实现单一功能上的图像操作加速
• 使用测试：

cd <dir name>
make
./<bin file> <image path>

example:
cd bgr2rgb
make
./bgr2rgb ../lena.jpg

备注：如果 cuda 或 opencv 安装目录与 Makefile 中的不同，记得切换成自己的

常规图像预处理

• 在推理之前，图像通常需经过 Resize、BGR to RGB、HWC to CHW、Normalize
• 使用测试：

cd preprocess
make
./preprocess ../lena.jpg  # 即可对图像完成上述全部操作

结合 TensorRT 使用

使用方式：

1）根据作者另一个 tensorrt 的项目，构建好环境，下载分割数据集，并训练Deeplabv3+网络

2）进入到目录：Deeplabv3+/TensorRT/C++/api_model/

3）将本项目的union_tensorrt目录下的文件放入上述目录中（或替换原文件）

4）依次执行以下命令来使用TensorRT推理

python pth2wts.py
make
./trt_infer

5）得到以下结果，说明运行成功，同目录下会生成分割结果图像

Loading weights: ./para.wts
Succeeded building backbone!
Succeeded building aspp!
Succeeded building decoder!
Succeeded building total network!
Succeeded building serialized engine!
Succeeded building engine!
Succeeded saving .plan file!
Total image num is: 8 inference total cost is: 105ms average cost is: 19ms