[Bug] [Relax][ONNX] NonMaxSuppression silently replaces a runtime output limit with zero

Đang mở
  • Có gì không ổn?
#20,898 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
3/5
Thời gian dự kiến
1-2 ngày
Mức phù hợp với người mới
67/100
Loại issue
Lỗi
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
python
Lĩnh vực
machine-learning

Hướng nghiên cứu

Start in python/tvm/relax/frontend/onnx/onnx_frontend.py at the converter lines linked in the report, and trace how a runtime max_output_boxes_per_class Var is handled when it is absent from the initializer table. Compare the dynamic-input and initializer cases using the reproduction with scalar inputs and an explicit IoU threshold. Done means the runtime limit selects the same two rows as the constant limit, with relevant tests passing.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

needs-triage type: bug
Expected behavior

A runtime max_output_boxes_per_class=2 should select the same two disjoint boxes as an initializer containing the identical value.

Actual behavior

The constant-limit control matches ORT. Making only the limit a graph input silently changes the result from two rows to no selections:

constant limit (2, 3) [[0, 0, 0], [0, 0, 1]]
runtime limit (0, 3) []

The converter substitutes zero when a limit Var is absent from the initializer table. This case uses zero-dimensional scalars and an explicit IoU threshold, unlike #19693 and #20506.

Environment

TVM 0.28.dev0, LLVM 18.1.3, Linux x86_64; Python 3.12.3, NumPy 2.5.4, ONNX 1.22.0, ORT 1.29.0. The installed binary build revision is unknown; current main was inspected statically, not rebuilt.

Steps to reproduce

Run with an LLVM-enabled TVM installation:

import numpy as np
import onnx
import onnxruntime as ort
import tvm
from onnx import TensorProto as T, helper as h, numpy_helper as nh
from tvm import relax
from tvm.relax.frontend.onnx import from_onnx

boxes = np.array([[[0, 0, 1, 1], [2, 2, 3, 3]]], dtype="float32")
scores = np.array([[[0.9, 0.8]]], dtype="float32")
limit = np.array(2, dtype="int64")
expected = np.array([[0, 0, 0], [0, 0, 1]], dtype="int64")
for dynamic in (False, True):
    inputs = [h.make_tensor_value_info("boxes", T.FLOAT, [1, 2, 4]),
              h.make_tensor_value_info("scores", T.FLOAT, [1, 1, 2])]
    constants = [nh.from_array(np.array(0.5, dtype="float32"), "iou")]
    feeds = {"boxes": boxes, "scores": scores}
    if dynamic:
        inputs.append(h.make_tensor_value_info("limit", T.INT64, []))
        feeds["limit"] = limit
    else:
        constants.append(nh.from_array(limit, "limit"))
    model = h.make_model(h.make_graph([
        h.make_node("NonMaxSuppression", ["boxes", "scores", "limit", "iou"], ["y"])],
        "nms", inputs, [h.make_tensor_value_info("y", T.INT64, [None, 3])], constants),
        opset_imports=[h.make_opsetid("", 11)], ir_version=10)
    onnx.checker.check_model(model, full_check=True)
    options = ort.SessionOptions()
    options.intra_op_num_threads = options.inter_op_num_threads = 1
    options.graph_optimization_level = ort.GraphOptimizationLevel.ORT_DISABLE_ALL
    source = ort.InferenceSession(model.SerializeToString(), options,
        providers=["CPUExecutionProvider"]).run(None, feeds)[0]
    np.testing.assert_array_equal(source, expected)
    mod = from_onnx(model, keep_params_in_input=False)
    vm = relax.VirtualMachine(relax.build(mod, target="llvm"), tvm.cpu())
    actual = vm["main"](*[tvm.runtime.tensor(v) for v in feeds.values()]).numpy()
    print("runtime limit" if dynamic else "constant limit", actual.shape, actual.tolist())
    if not dynamic:
        np.testing.assert_array_equal(actual, expected)
Triage
  • needs-triage
Ngôn ngữ chính
Python
Star
13.9k
Fork
4k
Merge trung bình
8 giờ 5 phút
Pull request đã merge (30 ngày)
170

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của apache/tvm

Tất cả issue của apache/tvm

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.