qiumeng6 / nndeploy_patch Goto Github PK

English | 简体中文

nndeploy是一款跨平台、高性能、简单易用的模型端到端部署框架。我们致力于屏蔽不同推理框架的差异，提供一致且用户友好的编程体验，同时专注于部署全流程的性能。

只要环境支持，通过nndeploy部署模型的代码无需修改即可跨多个平台以及多个推理框架使用。

当前支持的推理框架如下：

Notice: TFLite, TVM, OpenPPL, sophgo, Horizon正在开发中，我们正在努力覆盖绝大部分的主流推理框架

目前已完成 YOLOV5、YOLOV6、YOLOV8 等模型的部署，可供您直接使用，后续我们持续不断去部署其它开源模型，让您开箱即用

• 一套代码多端部署：通过切换推理配置，一套代码即可在多端部署，算法的使用接口简单易用

• 算法部署简单：将 AI 算法端到端（前处理->推理->后处理）的部署抽象为有向无环图 Graph，前处理为一个 Node，推理也为一个 Node，后处理也为一个 Node，提供了高性能的前后处理模板和推理模板，上述模板可帮助您进一步简化端到端的部署流程。有向无环图还可以高性能且高效的解决多模型部署的痛点问题

• 推理框架的高性能抽象：每个推理框架也都有其各自的特性，需要足够尊重以及理解这些推理框架，才能在抽象中不丢失推理框架的特性，并做到统一的使用的体验。nndeploy 可配置第三方推理框架绝大部分参数，保证了推理性能。可直接操作推理框架内部分配的输入输出，实现前后处理的零拷贝，提升模型部署端到端的性能。

• 线程池：提高模型部署的并发性能和资源利用率。此外，还支持CPU端算子自动并行，可提升CPU算子执行性能

• 内存池：完成后可实现高效的内存分配与释放(TODO)

• 一组高性能的算子：完成后将加速您模型前后处理速度(TODO)

• 流水线并行：在处理多帧的场景下，基于有向无环图的模型部署方式，可将前处理 Node、推理 Node、后处理 Node绑定三个不同的线程，每个线程又可绑定不同的硬件设备下，从而三个Node可流水线并行处理。在多模型以及多硬件设备的的复杂场景下，更加可以发挥流水线并行的优势，从而可显著提高整体吞吐量。

• 任务并行：在多模型以及多硬件设备的的复杂场景下，基于有向无环图的模型部署方式，可充分挖掘模型部署中的并行性，缩短单次算法全流程运行耗时

• 我们已将第三方库、模型仓库和测试数据上传至HuggingFace上，如有需要，欢迎您前往下载使用。

• 更多信息，访问nndeploy文档。

• 部署算法
  • BEV
  • InstantID
  • OCR
  • ......
• 推理后端
  • 完善已接入的推理框架coreml
  • 完善已接入的推理框架paddle-lite
  • 接入新的推理框架TFLite
• 设备管理模块
  • 新增OpenCL的设备管理模块
  • 新增ROCM的设备管理模块
• 内存优化
  • 针对nndeploy的内部的数据容器Buffer、Mat、Tensor，建立异构设备的内存池，实现高性能的内存分配与释放
  • 基于模型部署的有向无环图，在串行执行的模式下，支持多节点共享内存机制
  • 基于模型部署的有向无环图，在流水线并行执行的模式下，支持边的环形队列共享内存机制
• 高性能op
  • 对opencv高性能算子的补充
  • 对推理框架缺失算子的补充
• 分布式
  • 在多模型共同完成一个任务的场景里，将多个模型调度到多个机器上分布式执行
  • 在大模型的场景下，通过切割大模型为多个子模型的方式，将多个子模型调度到多个机器上分布式执行

• TNN
• FastDeploy
• opencv
• CGraph
• CThreadPool
• tvm
• mmdeploy
• FlyCV
• torchpipe

• nndeploy是由一群志同道合的网友共同开发以及维护，我们不定时讨论技术，分享行业见解。当前nndeploy正处于发展阶段，如果您热爱开源、喜欢折腾，不论是出于学习目的，抑或是有更好的想法，欢迎加入我们，收获成就，打磨技术，通过草根的力量，一起共同打造最简单易用、最高性能的模型端到端部署框架。

• 微信：titian5566 (可加我微信进nndeploy交流群，备注：nndeploy+姓名)