今天给大家介绍 OpenMMLab 君的一位好基友——OpenPPL 。
咱俩师出同门。OpenPPL 是商汤基于自研高性能算子库的开源深度学习推理平台，提供云原生环境下的 AI 模型多后端部署能力。当然了，它也支持 OpenMMLab 的深度学习模型的高效部署。简单来说，用 OpenMMLab 开发的模型，可以通过 OpenPPL 高效可靠地运行在现有的 CPU、GPU 等计算平台上，为云端场景提供人工智能推理服务。
在性能方面，目前在单 batch 模型推理领域，OpenPPL 在部分模型的性能可以超越 TensorRT 的较新版本，大幅领先 onnxruntime 等开源平台。是不是很给力？
1. 双剑合璧
这部分主要介绍深度学习模型中，训练与部署的关系，对此比较熟悉的朋友，可直接略过，查看后文中支持的 OpenMMLab 模型列表。
要理解OpenPPL的作用，要解释下整个 AI 应用的开发链路。
一般来说，整个过程会经过数据采集和算法模型设计，产出需要的算法模型；模型经过压缩与转换后，使用 AI 推理平台做推理；最后产品落地去使用。
不难看出，这个过程中有两步很关键：训练与推理。
在训练阶段，开发者需要将数据集「投喂」给 OpenMMLab 体系中的算法，以训练神经网络。比如，分辨图像里的动物是一只猫还是一只狗，最终形成一个业务所需并且训练有素的算法模型。
推理则是用经过训练的模型，对新的数据进行预测，比如拿一张训练时没用过的新的图片，去分辨里面是猫还是狗。完成推理这一步，才算是人工智能技术落地应用的开始。
但要高效地部署模型，并不是一件那么容易的事。训练时可能只考虑模型效果好，但推理部署时不仅要考虑模型推理的效果，还要注意性能、运行速度等方面；又或者推理部署时使用的设备，与训练时的会不一样，从而达不到想要的效果。
这就好比说，一个没有做多设备适配的 App，很难指望它可以流畅地运行在各种手机上，即使安装上了，体验也可能不好。
作为 AI 应用落地最关键的一环，推理引擎 OpenPPL 的作用，就是让经过训练的模型可以更高效地运行起来，为开发者提供更好的人工智能推理服务。
不难看出，OpenPPL 结合深度学习时代最完整的计算机视觉开源算法体系（骄傲.jpg）OpenMMLab，可以达到 1+1>2 的效果。
2. 目前支持哪些模型？
OpenPPL 支持 OpenMMLab 各系列的前沿模型，同时提供模型前后处理所需图像处理算子。
1) 支持网络动态特性
2) 提供 MMCV 算子高性能实现
3) 遵循 ONNX 开放标准，提供 ONNX 转换支持
目前 OpenPPL 支持 OpenMMLab 以下模型：
MMDetection
一个提供基准测试的目标检测开源工具箱
- Faster R_CNN
- RetinaNet
- SSD
- YOLOv3
- Mask R_CNN
- AutoAssign
- Double-Head RCNN
- Dynamic R-CNN
- FASF
- GHM
- Mask Scoring R-CNN
- TridentNet
- PAFPN
- YOLOF
MMClassification
一个提供基准测试的图像分类开源工具箱
- ResNet
- ResNeXt
- ResNeSt
- SE-ResNet
- MobileNetV2
- ShuffleNetV2
- VGG
MMSegmention
最全面的语义分割开源工具箱
- ANN
- APCNet
- DANet
- DeepLabV3
- DeepLabV3+
- DMNet
- DNLNet
- Fast-SCNN
- FCN
- GCNet
- HRNet
- NonLocal Net
- OCRNet
- PSPNet
- Semantic FPN
- UPerNet
MMEditing
一个用于编辑任务的图像和视频编辑工具箱
- DIM
- IndexNet
- SRCNN
- MSRResNet
- ESRGAN
- RDN
- EDSR
MMOCR
一个文本检测、文本识别和文本理解工具箱
- PSENet
- PANet
MMPose
一个支持多类物体的2D/3D姿态估计工具箱
- HRNet
- LiteHRNet
- MSPN
MMAction 2
下一代行为理解开源工具箱
- TSN
- SlowOnly
更多支持模型持续更新中 ~
文章来源：公众号【OpenMMLab】
2021-09-09 14:00
