更新示例工程

Doc/Tutorial_Cpp.md

@@ -21,10 +21,21 @@ ErrorCode DetectorYOLOV7::Initialize(InitializationParameterOfDetector initializ
     net = migraphx::parse_onnx(modelPath);
     LOG_INFO(stdout,"succeed to load model: %s\n",GetFileName(modelPath).c_str());
 
-    // 获取模型输入属性
-    std::pair<std::string, migraphx::shape> inputMap=net.get_parameter_shapes();
-    inputName=inputAttribute.first;
-    inputShape=inputAttribute.second;
+    // 获取模型输入/输出节点信息
+    std::cout<<"inputs:"<<std::endl;
+    std::unordered_map<std::string, migraphx::shape> inputs=net.get_inputs();
+    for(auto i:inputs)
+    {
+        std::cout<<i.first<<":"<<i.second<<std::endl;
+    }
+    std::cout<<"outputs:"<<std::endl;
+    std::unordered_map<std::string, migraphx::shape> outputs=net.get_outputs();
+    for(auto i:outputs)
+    {
+        std::cout<<i.first<<":"<<i.second<<std::endl;
+    }
+    inputName=inputs.begin()->first;
+    inputShape=inputs.begin()->second;
     int N=inputShape.lens()[0];
     int C=inputShape.lens()[1];
     int H=inputShape.lens()[2];
@@ -110,6 +121,18 @@ ErrorCode DetectorYOLOV7::Detect(const cv::Mat &srcImage, std::vector<ResultOfDe
 }
 ```
 
+另外，如果想要指定输出节点，可以在eval()方法中通过提供outputNames参数来实现：
+
+```
+...
+// 推理
+std::vector<std::string> outputNames = {"output"}
+std::vector<migraphx::argument> inferenceResults = net.eval(inputData, outputNames);
+...
+```
+
+如果没有指定outputName参数，则默认输出所有输出节点，此时输出节点的顺序与ONNX中输出节点顺序保持一致，可以通过netron查看ONNX文件的输出节点的顺序。
+
 获取MIGraphX推理结果之后需要进一步处理才可以得到YOLOV7的检测结果，输出结果result的第一个维度outputShape.lens()[0]的数值表示YOLOV7模型在当前待检测图像上生成的anchor数量。后处理过程包含两次anchor筛选过程，首先根据阈值objectThreshold判断anchor内部是否包含物体，小于该阈值的anchor则去除，然后获取第一次筛选后保留的anchor内部预测物体类别概率的最高得分，并与boxScores相乘得到anchor的置信度得分，最后根据置信度阈值confidenceThreshold进行第二次anchor筛选，大于该置信度阈值的anchor则保留，并获取最终保留下来anchor的坐标信息和物体类别预测信息，同时还需将预测坐标信息根据图像预处理缩放的比例ratioh、ratiow映射到原图。
 
 ```

Doc/Tutorial_Python.md

@@ -48,11 +48,22 @@ class YOLOv7:
         # 解析推理模型
         self.model = migraphx.parse_onnx(path)
       
+        # 获取模型输入/输出节点信息
+        print("inputs:")
+        inputs = self.model.get_inputs()
+        for key,value in inputs.items():
+            print("{}:{}".format(key,value))
+            
+        print("outputs:")
+        outputs = self.model.get_outputs()
+        for key,value in outputs.items():
+            print("{}:{}".format(key,value))
+
         # 获取模型的输入name
-        self.inputName = self.model.get_parameter_names()[0]
-        
+        self.inputName = "images"
+            
         # 获取模型的输入尺寸
-        inputShape = self.model.get_parameter_shapes()[self.inputName].lens()
+        inputShape = inputShape=inputs[self.inputName].lens()
         self.inputHeight = int(inputShape[2])
         self.inputWidth = int(inputShape[3])
 ```
@@ -72,7 +83,7 @@ def detect(self, image):
     # 执行推理
     print("Start to inference")
     start = time.time()
-    result = self.model.run({self.model.get_parameter_names()[0]: input_img})
+    result = self.model.run({self.inputName: input_img})
     print('net forward time: {:.4f}'.format(time.time() - start))
     # 模型输出结果后处理
     boxes, scores, class_ids = self.process_output(result)

Python/YoloV7_infer_migraphx.py

@@ -18,14 +18,25 @@ class YOLOv7:
         # 解析推理模型
         self.model = migraphx.parse_onnx(path)
       
+        # 获取模型输入/输出节点信息
+        print("inputs:")
+        inputs = self.model.get_inputs()
+        for key,value in inputs.items():
+            print("{}:{}".format(key,value))
+        
+        print("outputs:")
+        outputs = self.model.get_outputs()
+        for key,value in outputs.items():
+            print("{}:{}".format(key,value))
+
         # 获取模型的输入name
-        self.inputName = self.model.get_parameter_names()[0]
+        self.inputName = "images"
         
         # 获取模型的输入尺寸
-        inputShape = self.model.get_parameter_shapes()[self.inputName].lens()
+        inputShape = inputShape=inputs[self.inputName].lens()
         self.inputHeight = int(inputShape[2])
         self.inputWidth = int(inputShape[3])
-        print("inputName:{0} \ninputShape:{1}".format(self.inputName,inputShape))
+        print("inputName:{0} \ninputShape:{1}".format(self.inputName, inputShape))
         
     def detect(self, image):
         # 输入图片预处理
@@ -37,7 +48,7 @@ class YOLOv7:
         # 执行推理
         print("Start to inference")
         start = time.time()
-        result = self.model.run({self.model.get_parameter_names()[0]: input_img})
+        result = self.model.run({self.inputName: input_img})
         print('net forward time: {:.4f}'.format(time.time() - start))
         # 模型输出结果后处理
         boxes, scores, class_ids = self.process_output(result)

Src/YOLOV7.cpp

@@ -55,10 +55,21 @@ ErrorCode DetectorYOLOV7::Initialize(InitializationParameterOfDetector initializ
     net = migraphx::parse_onnx(modelPath);
     LOG_INFO(stdout,"succeed to load model: %s\n",GetFileName(modelPath).c_str());
 
-    // 获取模型输入属性
-    std::unordered_map<std::string, migraphx::shape> inputMap=net.get_parameter_shapes();
-    inputName=inputMap.begin()->first;
-    inputShape=inputMap.begin()->second;
+    // 获取模型输入/输出节点信息
+    std::cout<<"inputs:"<<std::endl;
+    std::unordered_map<std::string, migraphx::shape> inputs=net.get_inputs();
+    for(auto i:inputs)
+    {
+        std::cout<<i.first<<":"<<i.second<<std::endl;
+    }
+    std::cout<<"outputs:"<<std::endl;
+    std::unordered_map<std::string, migraphx::shape> outputs=net.get_outputs();
+    for(auto i:outputs)
+    {
+        std::cout<<i.first<<":"<<i.second<<std::endl;
+    }
+    inputName=inputs.begin()->first;
+    inputShape=inputs.begin()->second;
     int N=inputShape.lens()[0];
     int C=inputShape.lens()[1];
     int H=inputShape.lens()[2];