rapidocr/python/rapidocr_openvino

rapidocr_openvino

目录

• rapidocr_openvino
  • 基于OpenVINO推理引擎
  • 安装
  • 模型问题
  • 关于OpenVINO
  • OpenVINO与ONNXRuntime性能对比
  • OpenVINO与ONNXRuntime推理代码写法对比

基于OpenVINO推理引擎

• OpenVINO推理方向分类模型有误，已经提了issue
• 问题已经解决，但是需要自己编译OpenVINO，参见Answer

安装

# Windows端
pip install openvino==2022.1.0

# 里面含有mo
pip install openvino-dev==2022.1.0

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
  self.session = onnxruntime.InferenceSession(det_model_path, sess_opt)
  self.input_name = self.session.get_inputs()[0].name
  self.output_name = self.session.get_outputs()[0].name
  
  # 推理
  preds = self.session.run([self.output_name], {self.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')
  self.vino_session = compile_model.create_infer_request()
  
  # 推理
  self.vino_session.infer(inputs=[img])
  vino_preds = self.vino_session.get_output_tensor().data