FastDeploy中PPYOLOE模型在TensorRT批量推理时输入尺寸小于224的问题分析

问题背景

在使用FastDeploy部署PPYOLOE-S目标检测模型时，当输入图像尺寸小于224×224（如192×192或160×96）时，在TensorRT后端进行批量推理会出现异常结果。具体表现为在批量推理相同图片时，检测结果中随机出现NaN值或零值，特别是当图片中目标较少时，这种现象更容易出现。

现象描述

在Windows 10系统下，使用FastDeploy 1.0.7版本，搭配NVIDIA 3080TI/1660S显卡和CUDA 11.2环境进行测试时发现：

1. 正常情况下的检测结果能够正确识别目标
2. 异常情况下会出现以下问题：
   • 检测框置信度变为NaN
   • 检测框坐标值变为0
   • 这种现象在批量推理时随机出现

技术分析

经过深入排查，发现问题根源在于Paddle2ONNX转换过程中生成的BatchedNMSDynamic_TRT算子。这个算子在处理小尺寸输入图像时存在稳定性问题，特别是在批量推理场景下表现更为明显。

TensorRT在处理动态形状输入时，会为每个新形状范围重建引擎。当输入尺寸较小时，某些计算可能超出了数值稳定范围，导致结果异常。从日志中可以看到TensorRT引擎重建的过程：

[WARNING] [New Shape Out of Range] input name: image, shape: [10, 3, 96, 192]
[INFO] Start to building TensorRT Engine...

解决方案

针对这一问题，可以采取以下几种解决方案：

1. 避免使用BatchedNMSDynamic_TRT：通过修改模型导出配置，不使用这个特定的NMS实现，可以解决结果异常的问题。

2. 调整输入尺寸：将输入图像尺寸保持在224×224以上，这是经过充分测试的稳定尺寸范围。

3. 使用固定批量大小：在导出模型时指定固定的批量大小，避免动态形状带来的引擎重建问题。

4. 升级TensorRT版本：虽然测试中尝试了多个TensorRT版本(8.5.1.7到8.6.1.6)均存在此问题，但持续关注新版本修复情况。

最佳实践建议

对于需要在生产环境中部署PPYOLOE模型的开发者，建议：

1. 在模型导出阶段就考虑实际部署时的输入尺寸范围
2. 对小尺寸输入进行充分测试验证
3. 考虑使用静态形状导出模型以提高推理稳定性
4. 在不可避免使用动态形状时，预先收集可能的形状范围并配置到TensorRT优化参数中

这个问题提醒我们，在模型部署过程中，不仅需要考虑算法本身的准确性，还需要关注不同后端实现的特性和限制，特别是在边缘计算等资源受限场景下，输入尺寸的选择可能对最终结果产生重大影响。