[Unity Sentis] Unity Sentis 详细步骤工作流程-Toy模板网

这篇具有很好参考价值的文章主要介绍了[Unity Sentis] Unity Sentis 详细步骤工作流程。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 导入模型文件

要导入 ONNX 模型文件，请将文件从计算机拖到“Project”窗口的“Assets”文件夹中。

如果您的模型有外部权重文件，请将它们放在与模型文件相同的目录中，以便 Sentis 自动导入它们。

支持的模型

您可以导入 opset 版本在 7 到 15 之间的大多数 ONNX 模型文件。低于 7 或高于 15 的版本可能仍会导入 Sentis，但您可能会得到意外结果。

Sentis 不支持以下内容：

使用超过 8 个维度的张量的模型。
稀疏输入张量或常数。
String张量。
复数张量。

Sentis 还将一些张量数据类型（如布尔值）转换为浮点数或整数。这可能会增加模型使用的内存。

当您导入模型文件时，Sentis 会优化模型。有关详细信息，请参阅了解 Sentis 中的模型。

创建运行时模型

要使用导入的模型，必须使用 ModelLoader.Load 创建运行时模型对象。

using UnityEngine;
using Unity.Sentis;

public class CreateRuntimeModel : MonoBehaviour
{
    public ModelAsset modelAsset;
    Model runtimeModel;

    void Start()
    {
        runtimeModel = ModelLoader.Load(modelAsset);
    }
}

然后，您可以创建一个引擎来运行模型。

导入错误

如果“模型资源导入设置”窗口显示警告，表明您的模型包含不受支持的运算符，您可以添加自定义层来实现缺少的运算符。有关示例，请参阅示例脚本中的添加自定义层示例。

2. 为模型创建输入

要检查模型所需输入的形状和大小，请打开 ONNX 模型导入设置并检查输入部分。

将数组转换为张量

要从一维数据数组创建张量，请按照下列步骤操作：

创建一个具有每个轴长度的 TensorShape 对象。
使用 TensorShape 对象和数据数组创建一个 Tensor 对象。

例如，以下代码为采用形状为 3 × 1 × 3 的输入张量的模型创建一个张量。

using UnityEngine;
using Unity.Sentis;

public class ConvertArrayToTensor : MonoBehaviour
{
    void Start()
    {
        // 创建一个包含 9 个值的数据数组
        float[] data = new float[] { 1f, 2f, 3f, 4f, 5f, 6f, 7f, 8f, 9f };

        // 创建大小为 3 × 1 × 3 的 3D 张量形状
        TensorShape shape = new TensorShape(3, 1, 3);

        // 从数组创建一个新的张量
        TensorFloat tensor = new TensorFloat(shape, data);
    }
}

创建多个输入

如果模型需要多个输入张量，您可以创建一个包含输入的字典。例如：

Dictionary<string, Tensor> inputTensors = new Dictionary<string, Tensor>()
{
    { "x", xTensor },
    { "y", yTensor },
};

进行操作

如果需要对张量进行操作，请使用 WorkerFactory.CreateOps。有关详细信息，请参阅对张量进行运算。

3. 创建一个引擎来运行模型

要运行模型，请创建一个Worker。 Worker 是将模型分解为可执行任务并安排任务在 GPU 或 CPU 上运行的引擎。

Worker 是 IWorker 对象的实例。

创建一个Worker

使用 WorkerFactory.CreateWorker 创建Worker。您必须指定后端类型（告诉 Sentis 在哪里运行工作程序）以及运行时模型。

例如，以下代码创建一个使用 Sentis 计算着色器在 GPU 上运行的工作线程。

using UnityEngine;
using Unity.Sentis;

public class CreateWorker : MonoBehaviour
{
    ModelAsset modelAsset;
    Model runtimeModel;
    IWorker worker;
    
    void Start()
    {
        runtimeModel = ModelLoader.Load(modelAsset);
        worker = WorkerFactory.CreateWorker(BackendType.GPUCompute, runtimeModel);
    }
}

后端类型

Sentis 提供 CPU 和 GPU 后端类型。要了解 Sentis 如何使用不同后端执行操作，请参阅 Sentis 如何运行模型。

如果后端类型不支持模型中的 Sentis 层，则工作线程将回退到在该层的 CPU 上运行。有关更多信息，请参阅支持的 ONNX 运算符。

BackendType.GPUCompute、BackendType.GPUCommandBuffer 和 BackendType.CPU 是最快的后端类型，因此仅当平台不支持计算着色器时才使用 BackendType.GPUPixel。要检查您的运行时平台是否支持计算着色器，请使用 SystemInfo.supportsComputeShaders

如果将 BackendType.CPU 与 WebGL 一起使用，Burst 会编译为 WebAssembly 代码，这可能会很慢。有关详细信息，请参阅 WebGL 开发入门。

模型运行的速度取决于平台对 Burst 多线程的支持程度，或者对计算着色器的支持程度。您可以分析模型以了解模型的性能。

4. 运行模型

创建工作线程后，使用 Execute 运行模型。

worker.Execute(inputTensor);

您可以在创建工作线程时启用详细模式。当您运行模型时，Sentis 将执行情况记录到控制台窗口。

worker = WorkerFactory.CreateWorker(BackendType.GPUCompute, runtimeModel, verbose: true);

当您第一次在 Unity 编辑器中运行模型时，速度可能会很慢，因为 Sentis 需要编译代码和着色器。后期跑得更快。

有关示例，请参阅示例脚本中的运行模型示例。

5. 获取模型的输出

获取张量输出

使用 PeekOutput 访问张量的输出。 PeekOutput 返回一个 Tensor 对象，因此通常需要将其转换为 TensorFloat 或 TensorInt。例如：

worker.Execute(inputTensor);
TensorFloat outputTensor = worker.PeekOutput() as TensorFloat;

PeekOutput 的结果是一个浅拷贝，它指向与原始输出相同的内存，这意味着以下内容：

您不需要在输出上使用 Dispose。
如果更改输出或重新运行工作程序，工作程序输出和 PeekOutput 副本都会更改。
如果您在工作线程上使用 Dispose，则 PeekOutput 副本也将被释放。

要获得原始张量的所有权，请执行以下任一操作：

使用 PeekOutput 后，对张量使用 TakeOwnership。
使用 FinishExecutionAndDownloadOutput 而不是 PeekOutput。 Sentis 从本机内存下载张量。

如果您使用任一方法，则必须在使用完张量后将其释放。

当您从 PeekOutput 返回的张量中读取数据时，可能会产生性能成本，因为 Sentis 会等待模型完成运行，然后将数据从 GPU 或 Burst 下载到 CPU。您可以异步读取模型的输出以避免这种成本。您还可以分析模型以了解有关模型性能的更多信息。

要从模型输出以外的层获取中间张量，请参阅从任意层获取输出。

多个输出

如果模型有多个输出，您可以使用每个输出名称作为 PeekOutput 中的参数。

例如，以下代码示例打印模型每一层的输出。

using UnityEngine;
using Unity.Sentis;

public class GetMultipleOutputs : MonoBehaviour
{
    ModelAsset modelAsset;
    Model runtimeModel;
    IWorker worker;

    void Start()
    {
        // Create an input tensor
        TensorFloat inputTensor = new TensorFloat(new TensorShape(4), new[] { 2.0f, 1.0f, 3.0f, 0.0f });

        // Create runtime model
        runtimeModel = ModelLoader.Load(modelAsset);

        // Create engine and execute
        worker = WorkerFactory.CreateWorker(BackendType.GPUCompute, runtimeModel);
        worker.Execute(inputTensor);

        // Iterate through the output layer names of the model and print the output from each
        foreach (var outputName in runtimeModel.outputs)
        {
            TensorFloat outputTensor = worker.PeekOutput(outputName) as TensorFloat;
            // Make the tensor readable by downloading it to the CPU
            outputTensor.MakeReadable();
            outputTensor.PrintDataPart(10);
        }
    }
}