mmdeploy/docs/zh_cn/04-developer-guide/support_new_backend.md

如何支持新的后端

MMDeploy 支持了许多后端推理引擎，但我们依然非常欢迎新后端的贡献。在本教程中，我们将介绍在 MMDeploy 中支持新后端的一般过程。

必要条件

在对 MMDeploy 添加新的后端引擎之前，需要先检查所要支持的新后端是否符合一些要求:

• 后端必须能够支持 ONNX 作为 IR。
• 如果后端需要“.onnx”文件以外的模型文件或权重文件，则需要添加将“.onnx”文件转换为模型文件或权重文件的转换工具，该工具可以是 Python API、脚本或可执行程序。
• 强烈建议新后端可提供 Python 接口来加载后端文件和推理以进行验证。

支持后端转换

MMDeploy 中的后端必须支持 ONNX，因此后端能直接加载“.onnx”文件，或者使用转换工具将“.onnx”转换成自己的格式。在本节中，我们将介绍支持后端转换的步骤。

1. 在 mmdeploy/utils/constants.py 文件中添加新推理后端变量，以表示支持的后端名称。

   示例：

   # mmdeploy/utils/constants.py
   
   class Backend(AdvancedEnum):
       # 以现有的TensorRT为例
       TENSORRT = 'tensorrt'
   

2. 在 mmdeploy/backend/ 目录下添加相应的库(一个包括 __init__.py 的文件夹),例如， mmdeploy/backend/tensorrt 。在 __init__.py 中，必须有一个名为 is_available 的函数检查用户是否安装了后端库。如果检查通过，则将加载库的剩余文件。

   例子:

   # mmdeploy/backend/tensorrt/__init__.py
   
   def is_available():
       return importlib.util.find_spec('tensorrt') is not None
   
   
   if is_available():
       from .utils import from_onnx, load, save
       from .wrapper import TRTWrapper
   
       __all__ = [
           'from_onnx', 'save', 'load', 'TRTWrapper'
       ]
   

3. 在 configs/_base_/backends 目录中创建一个配置文件(例如， configs/_base_/backends/tensorrt.py )。如果新后端引擎只是将“.onnx”文件作为输入，那么新的配置可以很简单,对应配置只需包含一个表示后端名称的字段(但也应该与 mmdeploy/utils/constants.py 中的名称相同)。

   例子

   backend_config = dict(type='tensorrt')
   

   但如果后端需要其他文件，则从“.onnx”文件转换为后端文件所需的参数也应包含在配置文件中。

   例子

   
   backend_config = dict(
       type='tensorrt',
       common_config=dict(
           fp16_mode=False, max_workspace_size=0))
   

   在拥有一个基本的后端配置文件后，您已经可以通过继承轻松构建一个完整的部署配置。有关详细信息，请参阅我们的配置教程。下面是一个例子：

   _base_ = ['../_base_/backends/tensorrt.py']
   
   codebase_config = dict(type='mmcls', task='Classification')
   onnx_config = dict(input_shape=None)
   

4. 如果新后端需要模型文件或权重文件而不是“.onnx”文件，则需要在相应的文件夹中创建一个 onnx2backend.py 文件(例如,创建 mmdeploy/backend/tensorrt/onnx2tensorrt.py )。然后在文件中添加一个转换函数onnx2backend。该函数应将给定的“.onnx”文件转换为给定工作目录中所需的后端文件。对函数的其他参数和实现细节没有要求，您可以使用任何工具进行转换。下面有些例子：

   使用python脚本

   def onnx2openvino(input_info: Dict[str, Union[List[int], torch.Size]],
                     output_names: List[str], onnx_path: str, work_dir: str):
   
       input_names = ','.join(input_info.keys())
       input_shapes = ','.join(str(list(elem)) for elem in input_info.values())
       output = ','.join(output_names)
   
       mo_args = f'--input_model="{onnx_path}" '\
                 f'--output_dir="{work_dir}" ' \
                 f'--output="{output}" ' \
                 f'--input="{input_names}" ' \
                 f'--input_shape="{input_shapes}" ' \
                 f'--disable_fusing '
       command = f'mo.py {mo_args}'
       mo_output = run(command, stdout=PIPE, stderr=PIPE, shell=True, check=True)
   

   使用可执行文件

   def onnx2ncnn(onnx_path: str, work_dir: str):
       onnx2ncnn_path = get_onnx2ncnn_path()
       save_param, save_bin = get_output_model_file(onnx_path, work_dir)
       call([onnx2ncnn_path, onnx_path, save_param, save_bin])\
   

5. 在 mmdeploy/apis 中创建新后端库并声明对应 APIs

   例子

   # mmdeploy/apis/ncnn/__init__.py
   
   from mmdeploy.backend.ncnn import is_available
   
   __all__ = ['is_available']
   
   if is_available():
       from mmdeploy.backend.ncnn.onnx2ncnn import (onnx2ncnn,
                                                    get_output_model_file)
       __all__ += ['onnx2ncnn', 'get_output_model_file']
   

   然后根据需要使用这些 APIs 为 tools/deploy.py 添加相关转换代码

   例子

   # tools/deploy.py
   # ...
       elif backend == Backend.NCNN:
           from mmdeploy.apis.ncnn import is_available as is_available_ncnn
   
           if not is_available_ncnn():
               logging.error('ncnn support is not available.')
               exit(-1)
   
           from mmdeploy.apis.ncnn import onnx2ncnn, get_output_model_file
   
           backend_files = []
           for onnx_path in onnx_files:
               create_process(
                   f'mmdeploy_onnx2ncnn with {onnx_path}',
                   target=onnx2ncnn,
                   args=(onnx_path, args.work_dir),
                   kwargs=dict(),
                   ret_value=ret_value)
               backend_files += get_output_model_file(onnx_path, args.work_dir)
   # ...
   

6. 将 OpenMMLab 的模型转换后(如有必要)并在后端引擎上进行推理。如果在测试时发现一些不兼容的算子，可以尝试按照重写器教程为后端重写原始模型或添加自定义算子。

7. 为新后端引擎代码添加相关注释和单元测试:).

支持后端推理

尽管后端引擎通常用C/C++实现，但如果后端提供Python推理接口，则测试和调试非常方便。我们鼓励贡献者在MMDeploy的Python接口中支持新后端推理。在本节中，我们将介绍支持后端推理的步骤。

1. 添加一个名为 wrapper.py 的文件到 mmdeploy/backend/{backend} 中相应后端文件夹。例如， mmdeploy/backend/tensorrt/wrapper 。此模块应实现并注册一个封装类，该类继承 mmdeploy/backend/base/base_wrapper.py 中的基类 BaseWrapper 。

   例子

   from mmdeploy.utils import Backend
   from ..base import BACKEND_WRAPPER, BaseWrapper
   
   @BACKEND_WRAPPER.register_module(Backend.TENSORRT.value)
   class TRTWrapper(BaseWrapper):
   

2. 封装类可以在函数 __init__ 中初始化引擎以及在 forward 函数中进行推理。请注意，该 __init__ 函数必须接受一个参数 output_names 并将其传递给基类以确定输出张量的顺序。其中 forward 输入和输出变量应表示tensors的名称和值的字典。

3. 为了方便性能测试，该类应该定义一个 execute 函数，只调用后端引擎的推理接口。该 forward 函数应在预处理数据后调用 execute 函数。

   例子

   from mmdeploy.utils import Backend
   from mmdeploy.utils.timer import TimeCounter
   from ..base import BACKEND_WRAPPER, BaseWrapper
   
   @BACKEND_WRAPPER.register_module(Backend.ONNXRUNTIME.value)
   class ORTWrapper(BaseWrapper):
   
       def __init__(self,
                    onnx_file: str,
                    device: str,
                    output_names: Optional[Sequence[str]] = None):
           # Initialization
           #
           # ...
           super().__init__(output_names)
   
       def forward(self, inputs: Dict[str,
                                      torch.Tensor]) -> Dict[str, torch.Tensor]:
           # Fetch data
           # ...
   
           self.__ort_execute(self.io_binding)
   
   		# Postprocess data
           # ...
   
       @TimeCounter.count_time('onnxruntime')
       def __ort_execute(self, io_binding: ort.IOBinding):
   		# Only do the inference
           self.sess.run_with_iobinding(io_binding)
   

4. 为新封装装器添加默认初始化方法 mmdeploy/codebase/base/backend_model.py

   例子

       @staticmethod
       def _build_wrapper(backend: Backend,
                          backend_files: Sequence[str],
                          device: str,
                          output_names: Optional[Sequence[str]] = None):
           if backend == Backend.ONNXRUNTIME:
               from mmdeploy.backend.onnxruntime import ORTWrapper
               return ORTWrapper(
                   onnx_file=backend_files[0],
                   device=device,
                   output_names=output_names)
   

5. 为新后端引擎代码添加相关注释和单元测试 :).

将MMDeploy作为第三方库时添加新后端

前面的部分展示了如何在 MMDeploy 中添加新的后端，这需要更改其源代码。但是，如果我们将 MMDeploy 视为第三方，则上述方法不再有效。为此，添加一个新的后端需要我们预先安装另一个名为 aenum 的包。我们可以直接通过pip install aenum进行安装。

成功安装 aenum 后，我们可以通过以下方式使用它来添加新的后端：

from mmdeploy.utils.constants import Backend
from aenum import extend_enum

try:
    Backend.get('backend_name')
except Exception:
    extend_enum(Backend, 'BACKEND', 'backend_name')

我们可以在使用 MMDeploy 的重写逻辑之前运行上面的代码，这就完成了新后端的添加。