add Tvm for fastdeploy

rfcs/FastDeploy/20230407_add_tvm_for_fastdeploy.md

@@ -0,0 +1,49 @@
+# 完成TVM接入FastDeploy，并在PP-YOLOE模型上验证正确性
+
+| 领域                                                       | 飞桨文档体验方案                               | 
+|----------------------------------------------------------|----------------------------------------|
+| 提交作者<input type="checkbox" class="rowselector hidden">   | Zheng-Bicheng                          | 
+| 提交时间<input type="checkbox" class="rowselector hidden">   | 2023-02-21                             | 
+| 版本号                                                      | V0.0                                   | 
+| 依赖飞桨版本<input type="checkbox" class="rowselector hidden"> | paddlepaddle-gpu==0.0                  | 
+| 文件名                                                      | 20230407_add_tvm_for_fastdeploy.md<br> | 
+
+
+# 一、概述
+
+## 1、相关背景
+
+详细描述:
+需要完成TVM接入Fastdeploy工作，并在CPU/GPU硬件上完成PP-YOLOE基于TVM后端的测试，确定精度和推理速度正确。
+
+## 2、功能目标
+
+提交内容：
+pr：提交适配代码，及对应的中英文文档
+pr：提交PP-YOLOE的部署示例
+邮件：提交benchmark测试数据及精度对齐数据。
+
+## 3、意义
+
+为FastDeploy新增TVM后端
+
+# 二、设计思路与实现方案
+
+* 参考RKNPU的移植经验，设计继承自`BaseBackend`的`TVMBackend`类，同时实现其必备的几个虚函数
+* 如果TVM有其独特的函数，考虑设计成static类型供外部调用
+* 使用tvm转换PPYOLOE模型，并加载调用
+* 测试模型精度
+
+# 三、测试和验收的考量
+
+* 验收标准：先提交精度与速度报告，待报告通过后，提交pr到FastDeploy仓库。
+
+# 四、可行性分析和排期规划
+
+对各主流深度学习框架已经有一定了解，需要进一步做细致的体验测试及分析。
+预计整体的工作量在三周内可完成，不会晚于黑客松设定的验收 DDL。
+
+
+# 五、影响面
+
+对FastDeploy其他部分不造成影响