MMDeploy项目中RTMO模型在TensorRT部署时的矩形输入问题解析
2025-06-27 12:38:35作者:范垣楠Rhoda
问题背景
在MMDeploy项目中将RTMO姿态估计模型部署到TensorRT时,开发者发现了一个有趣的现象:当使用正方形输入尺寸(1×3×640×640)时,TensorRT模型能够正常工作,输出结果与PyTorch模型基本一致;但当改为矩形输入尺寸(1×3×1280×640)时,虽然PyTorch模型仍能正常工作,TensorRT模型输出的关键点位置却出现了明显偏差。
现象表现
从实际运行结果对比图中可以观察到:
- PyTorch模型在矩形输入下输出正常,关键点位置准确
- TensorRT模型在相同输入下,虽然整体姿态相似,但关键点位置存在明显偏移
问题根源分析
经过深入排查,发现问题出在RTMO头部(rtmo_head)的重写器(rewriter)实现上。具体来说:
- RTMO头部在部署模式下需要两个关键变量:
self.flatten_priors
和self.flatten_stride
- 这两个变量是在
switch_to_deploy
函数中预定义的(位于mmpose/models/heads/hybrid_heads/rtmo_head.py) - 原实现中特征图生成时使用了固定的高宽比例,没有正确处理矩形输入的情况
解决方案
问题的核心在于特征图生成时的尺寸处理不当。在PyTorch张量中,尺寸顺序是(1,1,height,width),而输入尺寸参数input_size的顺序是(width,height)。正确的修改方式应该是:
featuremaps.append(torch.rand(1, 1, input_size[1] // s, input_size[0] // s))
这一修改确保了:
- 正确解析输入尺寸的宽高顺序
- 特征图生成时保持正确的宽高比例
- 适应各种矩形输入尺寸的情况
技术启示
这个案例给我们几点重要启示:
- 尺寸顺序一致性:在计算机视觉和深度学习领域,不同框架和接口对尺寸顺序的定义可能不同,开发时需要特别注意
- 部署验证:模型在训练框架和部署框架中的行为可能存在差异,需要进行全面的验证测试
- 矩形输入支持:许多视觉模型最初设计时考虑正方形输入,但在实际应用中矩形输入更为常见,部署时需要确保支持
总结
通过分析RTMO模型在TensorRT部署时出现的矩形输入问题,我们不仅找到了具体解决方案,也加深了对模型部署过程中尺寸处理重要性的理解。这类问题的解决往往需要对训练框架和部署框架都有深入理解,才能准确定位问题根源。
对于开发者而言,在模型部署过程中,应当特别注意输入输出尺寸的匹配问题,特别是在处理非正方形输入时,需要全面验证模型在各个组件中的尺寸处理逻辑。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514

openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
295
331

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0

deepin linux kernel
C
22
5

微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58