FastDeploy已支持部署量化模型,并提供一键模型自动化压缩的工具. 用户可以使用一键模型自动化压缩工具,自行对模型量化后部署, 也可以直接下载FastDeploy提供的量化模型进行部署.
FastDeploy 提供了一键模型自动化压缩工具, 能够简单地通过输入一个配置文件, 对模型进行量化. 详细教程请见: 一键模型自动化压缩工具
用户也可以直接下载下表中的量化模型进行部署.(点击模型名字即可下载)
Benchmark表格说明:
- Rtuntime时延为模型在各种Runtime上的推理时延,包含CPU->GPU数据拷贝,GPU推理,GPU->CPU数据拷贝时间. 不包含模型各自的前后处理时间.
- 端到端时延为模型在实际推理场景中的时延, 包含模型的前后处理.
- 所测时延均为推理1000次后求得的平均值, 单位是毫秒.
- INT8 + FP16 为在推理INT8量化模型的同时, 给Runtime 开启FP16推理选项
- INT8 + FP16 + PM, 为在推理INT8量化模型和开启FP16的同时, 开启使用Pinned Memory的选项,可加速GPU->CPU数据拷贝的速度
- 最大加速比, 为FP32时延除以INT8推理的最快时延,得到最大加速比.
- 策略为量化蒸馏训练时, 采用少量无标签数据集训练得到量化模型, 并在全量验证集上验证精度, INT8精度并不代表最高的INT8精度.
- CPU为Intel(R) Xeon(R) Gold 6271C, 所有测试中固定CPU线程数为1. GPU为Tesla T4, TensorRT版本8.4.15.
| 模型 | 推理后端 | 部署硬件 | FP32 Runtime时延 | INT8 Runtime时延 | INT8 + FP16 Runtime时延 | INT8+FP16+PM Runtime时延 | 最大加速比 | FP32 mAP | INT8 mAP | 量化方式 |
|---|---|---|---|---|---|---|---|---|---|---|
| YOLOv7 | TensorRT | GPU | 27.47 | 6.52 | 6.74 | 5.19 | 5.29 | 51.1 | 50.4 | 量化蒸馏训练 |
| YOLOv7 | Paddle-TensorRT | GPU | 27.87 | None | 6.91 | 5.86 | 4.76 | 51.1 | 50.4 | 量化蒸馏训练 |
| YOLOv7 | ONNX Runtime | CPU | 996.65 | 467.15 | None | None | 2.13 | 51.1 | 43.3 | 量化蒸馏训练 |
| YOLOv7 | Paddle Inference | CPU | 995.85 | 477.93 | None | None | 2.08 | 51.1 | 46.2 | 量化蒸馏训练 |
| 模型 | 推理后端 | 部署硬件 | FP32 Runtime时延 | INT8 Runtime时延 | INT8 + FP16 Runtime时延 | INT8+FP16+PM Runtime时延 | 最大加速比 | FP32 mAP | INT8 mAP | 量化方式 |
|---|---|---|---|---|---|---|---|---|---|---|
| YOLOv7 | TensorRT | GPU | 36.47 | 18.81 | 20.33 | 17.58 | 2.07 | 51.1 | 50.4 | 量化蒸馏训练 |
| YOLOv7 | Paddle-TensorRT | GPU | 37.06 | None | 20.26 | 17.53 | 2.11 | 51.1 | 50.4 | 量化蒸馏训练 |
| YOLOv7 | ONNX Runtime | CPU | 988.85 | 478.08 | None | None | 2.07 | 51.1 | 43.3 | 量化蒸馏训练 |
| YOLOv7 | Paddle Inference | CPU | 1031.73 | 500.12 | None | None | 2.06 | 51.1 | 46.2 | 量化蒸馏训练 |