深度学习模型包管理工具

本文介绍深度学习模型包管理工具的使用方法和注意事项。

工具介绍

深度学习模型包管理工具是 Mech-Vision 软件提供的管理深度学习模型包的工具，可对Mech-DLK 2.2.0 及之后导出的深度学习模型包（单级模型包或级联模型包）进行优化，并对运行模式、硬件类型、模型效率、模型包状态进行管理。此外，该工具还可以监控工控机的 GPU 使用率。

当工程中使用深度学习相关步骤时，可将模型包先导入到深度学习模型包管理工具，然后在深度学习相关步骤中使用。将模型包提前导入该工具，可提前完成模型包的优化。

自 Mech-DLK 2.4.1 开始，模型包分为单级模型包、级联模型包两种。

  • 单级模型包：模型包中有且只有一个深度学习算法模块的模型，例如“实例分割”模型。

  • 级联模型包：模型包中有多个深度学习算法模块的模型，以串联形式存在，上一模型的输出是下一模型的输入。例如，当模型包中存在“目标检测”、“实例分割”两个模型时，模型推理顺序为目标检测  实例分割，“目标检测”模型的输出将作为“实例分割”模型的输入。

界面介绍

该工具可通过以下两种方式打开：

  • 新建或打开工程后，依次单击菜单栏中深度学习  深度学习模型包管理工具。

  • 在工程中，选中“深度学习模型包推理”步骤，然后在步骤参数中单击模型包管理工具按钮。

下表介绍了深度学习模型包管理工具界面中的各选项字段。

字段名 介绍

缓存模型包名称

可查看导入的模型包名称

使用工程

可查看使用模型包的 Mech-Vision 工程

模型包类型

可查看模型包的类型，如“目标检测”（单级模型包）、“目标检测+缺陷分割”（级联模型包）

运行模式

可选择模型包推理的运行模式，包括“共享模式”和“性能模式”

硬件类型

可查看模型包推理使用的硬件的类型，如 GPU（默认）、GPU（优化）、CPU

模型效率

可对模型包推理效率进行配置

模型包状态

可查看模型包的状态，如“优化中”、“就绪” 、“优化失败”

运行模式

  • 共享模式：选择该选项后，多个步骤使用同一模型包时，将排队推理，可节省更多运行资源。

  • 性能模式：选择该选项后，多个步骤使用同一模型包时，将并行推理，可提高运行速度，但会消耗更多运行资源。

硬件类型

  • CPU：使用 CPU 进行模型包推理，与 GPU 相比，推理时间会增加，并且识别精度会有所降低。

  • GPU（默认）：选择该选项后，无需根据硬件设备对模型包进行优化，模型包推理将不会被提速。

  • GPU（优化）：选择该选项后，将根据硬件设备对模型包进行优化，此过程仅需一次，预计耗时 5~15 分钟，优化后的模型包推理时间将缩短。

深度学习模型包管理工具会通过检测电脑硬件型号来决定硬件类型选项，硬件类型各选项具体显示规则如下。

  • CPU：当检测到电脑带有 Intel 品牌的 CPU 时，显示该选项。

  • GPU（默认）、GPU（优化）: 当检测到电脑带有 NVIDIA 独立显卡，且显卡驱动版本不低于 472.50 时，显示该选项。

操作指南

本节介绍深度学习模型包管理工具的常用操作。

导入深度学习模型包

  1. 打开深度学习模型包管理工具，在其界面左上角处单击导入模型包。

  2. 在弹出的文件选择窗口中选中想要导入的模型包，然后单击打开，该模型包即可出现在深度学习模型包管理工具的列表中，此时即完成了深度学习模型包的导入。

导入深度学习模型包时，GPU 驱动的最低版本要求为 472.50（不建议使用 500 以上版本的 GPU 驱动，可能导致深度学习步骤运行时间存在波动），CPU 的最低要求为英特尔第 6 代 Core。当硬件条件不满足时将出现深度学习模型包导入失败的情况。

在深度学习步骤中选择深度学习模型包

深度学习模型包导入完成后，如需在“深度学习模型包推理”步骤中选择深度学习模型包，可在其参数中的模型包名称下拉栏中选择已导入的深度学习模型包，用于模型包推理。

deep learning model management step select model

注销深度学习模型包

如需注销已导入的深度学习模型包，需先选中该模型包，然后单击深度学习模型包管理工具右上角的注销模型包按钮，即可注销该模型包。

deep learning model management log out model

当模型包处于优化中或正在使用（使用该模型包的工程正在运行）时，该模型包不能被注销。

切换深度学习模型包推理的运行模式

如需切换深度学习模型包推理的运行模式，可在深度学习模型包管理工具的运行模式字段下单击 deep learning model management icon 1 按钮，然后选择共享模式或性能模式。

deep learning model management select operating mode

  • 当深度学习模型包的优化状态为优化中或正在使用（使用该深度学习模型包的工程正在运行）时，无法切换运行模式。

  • 当深度学习模型包的运行模式为共享模式时，无法在 深度学习模型包推理 步骤参数中切换GPU ID。

切换深度学习模型包推理的硬件类型

深度学习模型包推理的硬件类型可切换至 GPU（默认）、GPU（优化）或 CPU。

在深度学习模型包管理工具的硬件类型字段下单击 deep learning model management icon 1 按钮，然后选择GPU（默认）、GPU（优化）或CPU。

deep learning model management select hardware type

  • 仅 Mech-DLK 2.4.1 及之后版本导出的模型包支持 CPU、GPU 的切换。

  • 下列导入的模型包不支持使用GPU（默认）硬件类型：

    • Mech-DLK 2.2.0 导出的实例分割以及实例分割超级模型包。

    • Mech-DLK 导出的仅包含 .dlkmt 文件的模型包。

  • 当模型包的优化状态为优化中或正在使用（使用该模型包的工程正在运行）时，无法切换硬件类型。

配置模型效率

当使用 Mech-DLK 2.4.1 及之后版本导出的模型包时，可配置模型效率，方法如下。

  1. 导入深度学习模型包。

  2. 单击“模型效率”下方的配置按钮，弹出模型效率配置窗口，对“批量大小”和“精度”进行配置。

    模型运行效率受“批量大小”和“精度”参数影响。

    • 批量大小：模型推理时，一次性送入神经网络的图像数量，范围为 1~128。增大该值可以加快模型推理速度，但会占用较多显存。当该值设置不合理时，将导致推理速度变慢。实例分割模型不支持设置“批量大小”，“批量大小”必须为 1。

    • 精度（仅“硬件类型”为“GPU 优化”时可开启）：FP32：模型精度高，推理速度较慢；FP16：模型精度低，推理速度较快。例如，当由“FP32”切换至“FP16”后，由于模型精度下降，将导致推理结果存在差异。

      建议“批量大小”的取值与实际送入神经网络的图像数量保持一致。

      当设置的“批量大小”远大于实际送入神经网络的图像数量时，将浪费部分资源，导致推理速度变慢。

      例如：图像数量为 26，“批量大小”设置为 20，此时将分两次进行推理，第一次送入 20 张图像至神经网络，第二次送入 6 张图像至神经网络。第二次推理时，设置的“批量大小”远大于实际送入神经网络的图像数量，浪费了部分资源，将导致推理速度变慢。所以，请合理设置“批量大小”，以确保资源的合理使用。

注意事项

深度学习模型包导入失败

  • 当已导入深度学习模型包，再导入名称相同的深度学习模型包时，需修改深度学习模型包名称或注销同名模型包，再进行导入。

deep learning model management model name 1

  • 当重复导入了内容相同的深度学习模型包时，将提示深度学习模型包导入失败。

deep learning model management model name 2

  • 当软件、硬件条件不满足时，将导致深度学习模型包导入失败。GPU 驱动的最低版本要求为 472.50，CPU 的最低要求为英特尔第 6 代 Core。

深度学习模型包优化失败

当显存不足时，可能导致深度学习模型包优化失败，如下图所示。可按照提示窗口的解决办法来解决该问题。

deep learning model management load model fail 1

兼容性说明

  • Mech-Vision 1.7.1 可使用 Mech-DLK 2.4.1 及以上版本导出的深度学习模型包，但会存在以下兼容性问题。建议 Mech-Vision 1.7.2 及以上版本与 Mech-DLK 2.4.1 及更高版本导出的深度学习模型包配合使用。

    • Mech-Vision 无法使用级联模型包；

    • 无法调整模型效率；

    • 图像分类效果可能变差；

    • 模型包无法在 CPU 设备上使用。

  • 如果在 Mech-Vision 1.7.2 中使用 Mech-Vision 1.7.1 优化过的模型包，模型包在“深度学习模型包推理”步骤中首次运行时速度较慢。

  • 当模型包推理时所使用的硬件类型为GPU（优化）时，需注意如下事项。

    模型包在Mech-Vision 1.7.X 中未优化，在Mech-Vision 1.8.0 及以后版本对其优化后，则该模型包在Mech-Vision 1.7.X 中无法直接正常使用，需在深度学习模型包管理工具中单击打开缓存文件夹，将模型包对应的缓存文件夹删除，然后重新对模型包进行优化。

    可通过 model_config.json 文件查看模型包对应的缓存文件夹。

我们重视您的隐私

我们使用 cookie 为您在我们的网站上提供最佳体验。继续使用该网站即表示您同意使用 cookie。如果您拒绝，将使用一个单独的 cookie 来确保您在访问本网站时不会被跟踪或记住。

  • Preference
  • 同意
  • 不同意