rapidocr/python

目录说明

• onnxruntime_infer: 基于ONNXRuntime推理引擎推理
• openvino_infer: 基于OpenVINO推理引擎推理

TODO

• 模型转INT8，正在尝试
• OpenVINO推理方向分类模型有误，已经提了issue→ 问题有已经解决，但是需要自己编译OpenVINO，参见Answer
• 其他推理模型代码整理
• 模型转换代码整理

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