目录
1.关于mmdeploy
2.环境安装
2.1预编译安装（Linux-x86_64, CUDA 11.x, TensorRT 8.2.3.0）：
2.2预编译安装（Linux-x86_64, CUDA 11.x, ONNX）：
3.mmseg工程torch转onnx
4.使用onnx模型文件进行推理
1.关于mmdeploy
MMDeploy 是OpenMMLab模型部署工具箱，为各算法库提供统一的部署体验。基于 MMDeploy，开发者可以轻松从训练 repo 生成指定硬件所需 SDK，省去大量适配时间。MMDeploy 提供了一系列工具，帮助您更轻松的将 OpenMMLab 下的算法部署到各种设备与平台上。
2.环境安装
提示：不要使用mmseg工程里的deploy工具，建议使用openmmlab下的mmdeploy工程（血泪教训）。
既然是要推理部署，大概率是已经训练好模型了，基础的openmmlab环境包（mmsegmentation,mmcv-full……）应该已经安装过了，因此官网中的步骤（安装mmseg、mmcv)可以不用操作了，只需要激活本地的训练时的环境（比如：openmmlab）,再安装缺少的包就可以了。
需要安装的包有：mmdeploy\onnx\tensorrt\pycuda。。。
预编译好的平台和设备如下，不在的请自行下载源码编译安装。
2.1预编译安装（Linux-x86_64, CUDA 11.x, TensorRT 8.2.3.0）：
wget https://github.com/open-mmlab/mmdeploy/releases/download/v0.12.0/mmdeploy-0.12.0-linux-x86_64-cuda11.1-tensorrt8.2.3.0.tar.gztar -zxvf mmdeploy-0.12.0-linux-x86_64-cuda11.1-tensorrt8.2.3.0.tar.gzcd mmdeploy-0.12.0-linux-x86_64-cuda11.1-tensorrt8.2.3.0pip install dist/mmdeploy-0.12.0-py3-none-linux_x86_64.whlpip install sdk/python/mmdeploy_python-0.12.0-cp38-none-linux_x86_64.whlcd ..# 安装推理引擎 TensorRT# !!! 从 NVIDIA 官网下载 TensorRT-8.2.3.0 CUDA 11.x 安装包并解压到当前目录pip install TensorRT-8.2.3.0/python/tensorrt-8.2.3.0-cp38-none-linux_x86_64.whlpip install pycudaexport TENSORRT_DIR=$(pwd)/TensorRT-8.2.3.0export LD_LIBRARY_PATH=${TENSORRT_DIR}/lib:$LD_LIBRARY_PATH# !!! 从 NVIDIA 官网下载 cuDNN 8.2.1 CUDA 11.x 安装包并解压到当前目录export CUDNN_DIR=$(pwd)/cudaexport LD_LIBRARY_PATH=$CUDNN_DIR/lib64:$LD_LIBRARY_PATH2.2预编译安装（Linux-x86_64, CUDA 11.x, ONNX）：
wget https://github.com/open-mmlab/mmdeploy/releases/download/v0.12.0/mmdeploy-0.12.0-linux-x86_64-onnxruntime1.8.1.tar.gztar -zxvf mmdeploy-0.12.0-linux-x86_64-onnxruntime1.8.1.tar.gzcd mmdeploy-0.12.0-linux-x86_64-onnxruntime1.8.1pip install dist/mmdeploy-0.12.0-py3-none-linux_x86_64.whlpip install sdk/python/mmdeploy_python-0.12.0-cp3X-none-linux_x86_64.whl #注意自己python版本对应cd ..# 安装推理引擎 ONNXpip install onnxruntime-gpu==1.8.1 #安装GPU版本pip install onnxruntime==1.8.1 #安装CPU版本wget https://github.com/microsoft/onnxruntime/releases/download/v1.8.1/onnxruntime-linux-x64-1.8.1.tgztar -zxvf onnxruntime-linux-x64-1.8.1.tgzexport ONNXRUNTIME_DIR=$(pwd)/onnxruntime-linux-x64-1.8.1export LD_LIBRARY_PATH=$ONNXRUNTIME_DIR/lib:$LD_LIBRARY_PATH3.mmseg工程torch转onnx
在准备工作就绪后，我们可以使用 MMDeploy 中的工具tools/deploy.py，将 OpenMMLab 的 PyTorch 模型转换成推理后端支持的格式。
python tools/deploy.py \ $DEPLOY_CFG \ $MODEL_CFG \ $PTH_MODEL_PATH \ --work-dir $OUT_PATH \ --show --device cuda --dump-info其中：
DEPLOY_PATH为mmdeploy工程下./mmedeploy/configs/mmseg/XXX.py的config文件路径
MODEL_CFG为自己训练时的config文件，一般在pth模型同目录下就有
PTH_MODEL_PATH为需要转的pth模型文件地址
OUT_PATH为输出的onnx模型文件地址和对应的json存放地址
举个栗子：
python tools/deploy.py \ /root/workspace/mmdeploy/configs/mmseg/segmentation_onnxruntime_dynamic.py \ /root/workspace/mmseg/MMSEG_DEPLOY/uper_swin_base.py \ /root/workspace/mmseg/MMSEG_DEPLOY/best_mIoU_epoch_500.pth \ --work-dir /root/workspace/mmseg/MMSEG_DEPLOY/OUTPUT \ --show --device cuda --dump-info紧接着就等待去结果路径中寻找生成的onnx模型文件吧！
4.使用onnx模型文件进行推理
推理过程比较简单，可以自行花式修改
from mmdeploy.apis import inference_modelresult = inference_model(model_cfg = 'data/project/mmseg/weights/ersi_uper_swin_base.py', deploy_cfg = '/data/project/mmdeploy-master/configs/mmseg/segmentation_onnxruntime_dynamic.py', backend_files = ['/data/project/end2end.onnx'], img ='in_img_path/xxx.png', device='cuda:0')其中：
model_cfg为训练时的config文件
deploy_cfg为mmdeploy工程下的/configs/mmseg/XXX.py文件
backend_file为刚才转出来的onnx模型地址
img就是要推理的原始影像
注意：此处输出的result为list格式，如果需要保存结果的话，需要先转成numpy再取对应的维度，最后保存成影像格式。或者参考mmseg/tools/test.py的处理方法，把所有影像预测结果append到一个大的list中，最后依次保存。
pred = (np.array(result)[0,:,:]).astype(np.uint8) #将result保存成一张影像cv2.imwrite(out_img_path,pred)至此，torch转ONNX的全流程就走完了，欢迎交流debug!