Skip to content

Latest commit

 

History

History
98 lines (76 loc) · 3.58 KB

README.md

File metadata and controls

98 lines (76 loc) · 3.58 KB

rapidocr_openvino

🚩注意：基于目前openvino==2022.2.0版，在推理批量图像时，存在申请内存不释放的问题，详情可参见issue11939

目录

安装

# Windows端
pip install openvino==2022.2.0

# 里面含有mo
pip install openvino-dev==2022.2.0

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: 
    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ONNXRuntime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: 
      mo --input_model models/ch_PP-OCRv2_det_infer.onnx \
--output_dir models/IR/static \
--input_shape "[1,3,960:1200,800]"

OpenVINO与ONNXRuntime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 ONNXRuntime=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ONNXRuntime推理代码写法对比

NOTE: 以ch_ppocr_mobile_v2_det中推理代码为例子

  • ONNXRuntime

    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

    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