update README

README.md

@@ -2,19 +2,33 @@
 
 本项目主要包含 GroundingDINO 的原生 PyTorch 推理以及基于 ONNX Runtime (ORT) 的推理部署流程，并针对 `ms_deform_attn` 算子提供了自定义的加速与量化方案。
 
-## 1. 环境准备
+## 1\. 环境准备
 
-本环境配置参考 [官方 GroundingDINO 仓库](https://github.com/IDEA-Research/GroundingDINO)。
+本环境配置参考 [官方 GroundingDINO 仓库](https://github.com/IDEA-Research/GroundingDINO)，并针对海光 DCU 硬件环境进行了底层适配。
+
+### 1.1 拉取 DCU 基础计算镜像
+
+为确保底层 DTK 算子库与 PyTorch 版本完美匹配，推荐下面的容器内进行后续的代码编译与推理测试：
+
+```bash
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.5.1-ubuntu22.04-dtk25.04.2-py3.10
+```
+
+*(注：请基于该镜像启动开发容器后，再执行后续操作。)*
+
+### 1.2 基础环境变量设置
 
-### 1.1 基础环境变量设置
 在进行编译和运行前，请先激活相关的计算栈环境并配置 HuggingFace 镜像：
+
 ```bash
 source /opt/dtk/cuda/env.sh
 export HF_ENDPOINT=https://hf-mirror.com
 ```
 
-### 1.2 编译 GroundingDINO 库
+### 1.3 编译 GroundingDINO 库
+
 进入项目目录并执行编译安装：
+
 ```bash
 cd GroundingDINO/
 pip3 install -e . --no-build-isolation
@@ -22,124 +36,208 @@ pip3 install -e . --no-build-isolation
 
 > **💡 注意：Numpy 版本兼容性问题**
 > 如果在运行过程中遇到因 `numpy` 版本过高导致的报错，请强制重装指定版本：
+>
 > ```bash
 > python3 -m pip install numpy==1.26.4 --force-reinstall
 > ```
 
-### 1.3 模型下载
-新建weights文件夹并下载模型权重：
+### 1.4 模型下载
+
+新建 weights 文件夹并下载模型权重：
+
 ```bash
 mkdir weights
 cd weights
 wget -q https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha2/groundingdino_swinb_cogcoor.pth
 ```
 
+-----
 
-
----
-
-## 2. 推理模式前置配置
+## 2\. 推理模式前置配置
 
 由于导出 ONNX 模型会改变模型的输入结构，在进行具体的推理操作前，**必须手动替换底层文件**以适配不同的推理后端。
 
 目标文件路径：`groundingdino/models/GroundingDINO/groundingdino.py`
 
-* **当使用 PyTorch 推理时**：
+  * **当使用 PyTorch 推理时**：
     将 `groundingdino_torch.py` 的内容复制并覆盖到上述目标文件中。
-* **当使用 ONNX Runtime 导出与推理时**：
+  * **当使用 ONNX Runtime 导出与推理时**：
     将 `groundingdino_onnx.py` 的内容复制并覆盖到上述目标文件中。
 
----
+-----
 
-## 3. PyTorch 原生推理
+## 3\. PyTorch 原生推理
 
 确保已按上述说明将代码切换为 Torch 模式后，直接运行测试脚本：
+
 ```bash
 bash infer_test.sh
 ```
 
----
+-----
 
-## 4. 标准 ONNX Runtime 推理
+## 4\. 标准 ONNX Runtime 推理
 
 请先确保代码已切换为 ONNX 模式。本测试包含 5 轮预热（Warmup）和 10 轮正式测试。
 
 **Step 1: 导出 ONNX 模型**
+
 ```bash
 python export_onnx.py
 ```
 
 **Step 2: 执行 ORT 推理**
+
 ```bash
 python onnx_inference1.py
 ```
+
 > **📝 参数说明**：
 > 运行前请在 `onnx_inference1.py` 中填入对应的 `.onnx` 模型路径和图像路径。图片外的其他 Text/Mask 输入已自动生成并填入（可通过 `get_caption_mask.py` 生成）。
 
----
+-----
 
-## 5. 进阶：带自定义算子 (ms_deform_attn) 的 ORT 推理
+## 5\. 进阶：带自定义算子 (ms\_deform\_attn) 的 ORT 推理
 
 为了进一步优化性能，实现了 `ms_deform_attn` 的自定义算子，并提供了多种优化方案（含 FP16）。
 
 ### 5.1 编译自定义算子
-根据需求选择对应的算子实现目录（支持的方案包括：`ort_plugin`, `ort_plugin_fp16`, `ort_plugin_fp16_B`, `ort_plugin_fp16_C`），推荐使用`ort_plugin`（fp32算子实现）和`ort_plugin_fp16_C`（fp16算子实现）。
+
+根据需求选择对应的算子实现目录（支持的方案包括：`ort_plugin`, `ort_plugin_fp16`, `ort_plugin_fp16_B`, `ort_plugin_fp16_C`），推荐使用 `ort_plugin`（fp32 算子实现）和 `ort_plugin_fp16_C`（fp16 算子实现）。
 
 以 `ort_plugin` 为例进行编译：
+
 ```bash
 cd ort_plugin
 mkdir build && cd build
 cmake ..
 make
 ```
-编译成功后，将在该目录下生成动态链接库 `libms_deform_attn_ort.so`，后续只需要在推理脚本中更改so文件位置。
+
+编译成功后，将在该目录下生成动态链接库 `libms_deform_attn_ort.so`，后续只需要在推理脚本中更改 so 文件位置。
 
 ### 5.2 导出与优化模型
+
 进入 deform 推理工作区：
+
 ```bash
 cd deform_ort
 ```
 
 **1. 导出带自定义算子的 ONNX：**
+
 ```bash
 python export_onnx_deform.py
 ```
 
 **2. 模型简化与量化：**
+
 ```bash
 python onnx_optimize.py
 ```
+
 > 该脚本会输出两种量化后的 ONNX 模型：
-> - 一种**跳过了**自定义算子。
-> - 另一种**保留了**自定义算子（需搭配不带 FP16 的 `.so` 库使用）。
+>
+>   - 一种**跳过了**自定义算子。
+>   - 另一种**保留了**自定义算子（需搭配不带 FP16 的 `.so` 库使用）。
+
 
 ### 5.3 运行自定义算子推理
+
 最后，执行优化后的推理脚本（包含 5 轮预热，10 轮测试）：
+
 ```bash
 python onnx_inference_deform_optim.py
 ```
+
 > **📝 参数说明**：
 > 运行前，请务必在代码中正确填入**ONNX 模型位置**以及**步骤 5.1 生成的自定义算子 `.so` 库位置**。
 
----
+## 6\. 低分辨率输入版本ORT推理（400x800）
+
+如需使用更低分辨率的图像输入（如 400x800）以进一步加速推理，可按以下步骤操作：
+
+### 6.1 修改导出脚本
+
+编辑 `deform_ort/export_onnx_deform.py`，修改图像尺寸与导出路径：
+
+```python
+# img = torch.randn(1, 3, 800, 1200).to(device)
+img = torch.randn(1, 3, 400, 800).to(device)
+
+# onnx_output_path = "../weights/ground_deform.onnx"
+onnx_output_path = "../weights_400x800/ground_deform.onnx"
+```
+
+### 6.2 正常导出并量化
+
+```bash
+cd deform_ort
+python export_onnx_deform.py
+python onnx_optimize.py
+```
+
+### 6.3 修改推理预处理分辨率
+
+编辑 `groundingdino/util/inference.py` 中的 `load_image` 函数，将 `RandomResize` 的参数从 800 改为 400：
+
+```python
+# T.RandomResize([800], max_size=1333),
+T.RandomResize([400], max_size=1333),
+```
+
+### 6.4. 执行 ORT 推理
+
+运行推理脚本，并确保代码中的 ONNX 模型路径指向 `weights_400x800/` 下对应的模型文件：
+
+```bash
+python onnx_inference_deform_optim.py
+```
+
+> **💡 提示**：低分辨率输入会显著减少推理耗时，但可能对检测精度（尤其小目标）产生影响，请根据实际场景权衡速度与精度。
+
+-----
+
+## 7\. 测试结果对比
+
+*以下测试均包含 5 轮预热（Warmup）和 10 轮正式测试。*
+
+> **📌 路径简写说明：**
+> 为保证表格排版简洁，下方表格中的路径已作简写：
+>
+>   * **模型文件**：默认存放于 `../weights/` 目录下。
+>   * **自定义算子目录**：对应的完整动态库路径均为 `../[目录名]/build/libms_deform_attn_ort.so`。
+
+### 7.1 BW150 测试结果
+
+单张 BW150 卡，图像输入 800x1200，Batch Size = 1
+
+| 推理模型 | 优化方案 / 精度 | 模型文件 | 自定义算子目录 | 推理时间 (ms) | FPS |
+| :--- | :--- | :--- | :--- | :---: | :---: |
+| **PyTorch** | FP32 (Base) 原生推理 | - | - | 144.25 | 6.93 |
+| **ORT** | 标准 ONNX 推理 (原始模型) | `ground.onnx` | - | 173.66 | 5.76 |
+| **ORT + Plugin** | +自定义算子<br>+前后处理、模型简化 | `ground_deform.onnx` | `ort_plugin` | 121.67 | 8.22 |
+| **ORT + Plugin** | +自定义算子<br>+FP16 混合精度量化 | `ground_deform_fp16.onnx` | `ort_plugin` | 95.17 | 10.50 |
+| **ORT + Plugin** | +自定义算子<br>+FP16 纯量化方案 B | `ground_deform_fp16_all.onnx` | `ort_plugin_fp16_B` | 87.34 | 11.44 |
+| **ORT + Plugin** | +自定义算子<br>+FP16 极致优化方案 C | `ground_deform_fp16_all.onnx` | `ort_plugin_fp16_C` | 84.52 | 11.82 |
+
+### 7.2 BW100 测试结果
+
+单张 BW100 卡，图像输入 800x1200，Batch Size = 1
 
-## 6. 测试结果对比
-单张BW150，
-图像输入800x1200，
-batchsize=1
+| 推理模型 | 优化方案 / 精度 | 模型文件 | 自定义算子目录 | 推理时间 (ms) | FPS |
+| :--- | :--- | :--- | :--- | :---: | :---: |
+| **ORT** | 标准 ONNX 推理 (原始模型) | `ground.onnx` | - | 204.49 | 4.89 |
+| **ORT + Plugin** | +自定义算子<br>+前后处理、模型简化 | `ground_deform.onnx` | `ort_plugin` | 136.25 | 7.34 |
+| **ORT + Plugin** | +自定义算子<br>+FP16 混合精度量化 | `ground_deform_fp16.onnx` | `ort_plugin` | 105.46 | 9.48 |
+| **ORT + Plugin** | +自定义算子<br>+FP16 纯量化方案 B | `ground_deform_fp16_all.onnx` | `ort_plugin_fp16_B` | 105.35 | 9.49 |
+| **ORT + Plugin** | +自定义算子<br>+FP16 极致优化方案 C | `ground_deform_fp16_all.onnx` | `ort_plugin_fp16_C` | 100.91 | 9.90 |
 
-| 推理模式 | 优化方案 / 精度 | 预热次数 | 测试次数 | 平均推理延迟 (ms) | FPS |
-| :--- | :--- | :---: | :---: | :---: | :--- |
-| PyTorch | FP32 (Base) | 5 | 10 | 144.25 | 6.93 |
-| ORT | 标准 ONNX | 5 | 10 | 173.66 | 5.76 |
-| ORT + Deform Plugin | 动态库（ort_plugin） | 5 | 10 | 121.67 | 8.22 |
-| ORT + Deform Plugin | FP16 混合精度量化（ort_plugin） | 5 | 10 | 95.17 | 10.5 |
-| ORT + Deform Plugin | 纯FP16 方案 B（ort_plugin_fp16_B） | 5 | 10 | 87.34| 11.44 |
-| ORT + Deform Plugin | 纯FP16 方案 C（ort_plugin_fp16_C） | 5 | 10 | 84.52 | 11.82 |
+-----
 
 ## 参考项目
 
 本项目在开发过程中参考了以下优秀开源项目，在此表示感谢：
 
-- [**GroundingDINO**](https://github.com/IDEA-Research/GroundingDINO) - GroundingDINO 官方仓库，提供基础模型与算法实现。
-- [**GroundingDINO-TensorRT-and-ONNX-Inference**](https://github.com/wingdzero/GroundingDINO-TensorRT-and-ONNX-Inference) - 提供了 GroundingDINO 的 TensorRT 及 ONNX 推理部署参考实现。
+  - [**GroundingDINO**](https://github.com/IDEA-Research/GroundingDINO) - GroundingDINO 官方仓库，提供基础模型与算法实现。
+  - [**GroundingDINO-TensorRT-and-ONNX-Inference**](https://github.com/wingdzero/GroundingDINO-TensorRT-and-ONNX-Inference) - 提供了 GroundingDINO 的 TensorRT 及 ONNX 推理部署参考实现。
\ No newline at end of file

deform_ort/README.md

-### 该文件夹下均为自定义算子版本相关脚本
+# 该文件夹下均为自定义算子版本相关脚本
 
-### 默认图像大小800x1200
+## 1.默认图像大小800x1200
 
 1. 导出onnx
 ```bash
@@ -20,10 +20,10 @@ python onnx_inference_deform_optim.py
 ```
 5. 优化版本ort推理+iobinding(该项目下无提升)
 ```bash
-python onnx_inference_deform_optim_iobinding.py # 
+python onnx_inference_deform_optim_iobinding.py 
 ```
 
-### 当模型图像输入改为400x600
+## 2.当模型图像输入改为400x600
 
 1. 先修改export_onnx_deform.py中
 ```bash