服务侧深度学习部署案例.zip

# TensorRT Inference Server 菜鸟教程 通过一个简单易懂，方便快捷的教程，部署一套完整的深度学习模型，一定程度可以满足部分工业界需求。对于不需要自己重写服务接口的团队来说，使用 tesorrt inference sever 作为服务，也足够了。 这里采取的案例是 centernet 检测，SSD，YOLO 系列都比较古老了，虽然教程也比较多，但是都不够简洁而且相对思想比较老，稍微用点新的。 本教程使用的检测模型暂时不提供 model zoo，主要原因是官方 release 的 model 都带 DCN 模块，这个模块有 c++ 层面的库，作为初学者来说，部署起来非常不方便，大家可以根据 centernet 官方提供的代码，自行训练不带 DCN 的模型。 本教程使用的是 DLA34 网络作为例子，模型文件位置: 链接: https://pan.baidu.com/s/1gcC7qcBi68W0hzJO8IeB3w 提取码: rsut 然后放置到 ./example/detection/network 下面 #### 效果评估 如果在 p40 GPU 上部署，消耗时间最多的，是服务网络层面的通信，和把请求通过轮训方式发送到 GPU 上，本身模型计算是非常快的。 1. 一张卡上启动 16 个实例，占用显存为 2G 左右，单个客户端做异步请求，能够到 100 左右 QPS 2. 4 张卡，每张卡启动 16 个实例，占用显存为 2G 左右，单个客户端做异步请求，能够到 400-500 左右 QPS #### 文件结构与说明 ```sh ./ ├── README.md ├── backend # 转换库 │   ├── VERSION.txt │   ├── setup.cfg │   ├── setup.py │   └── trtis ├── client_py # python 客户端工具 │   ├── VERSION.txt │   ├── setup.cfg │   ├── setup.py │   └── trt_client ├── example │   ├── detection # 检测前后预处理，网络，客户端等 │   └── test-data # 数据 ├── install.sh ├── model_repository └── start.sh ``` ## 前言 对于绝大多数深度学习部署问题，总是包含如下的基本操作：前处理，神经网络计算，后处理 值得注意的是，每个前处理不仅需要完成数据解析，标准化等常见操作，还可能需要保存输入数据的一些整体信息，比如原始图像大小，字符串标注信息等，这些 meta 信息需要交给后处理用来做各种针对性的问题，对于 centernet 来说，这个 meta 信息就是仿射变换。 ```python nn_inputs, meta = preprocess(raw_image) nn_outputs = model(nn_inputs) result = postprocess(nn_outputs, meta) ``` 本教程的实现路径如下： 1. 前处理采取 tensorflow 编写，包括图像解析，resize，计算仿射变换矩阵，标准化等，保存成 tensorflow pd 文件 2. 神经网络部分是 torch，首先把 torch 的模型转换成 onnx，然后通过 onnx-simplifier 做进一步的简化，接着交由 tensorRT 进行进一步优化，以及做 int8 量化。 - onnx-simplifier 的目的是为了更好地避免 onnx 到 tensorRT 的转换失败，但是，其并不能够百分百保证所有网络都能够被成功转换成 tensorRT，比如 torch 里面的 unsquezze 等 shape 层面的操作会有潜在问题，需要 model.py 里面改改。 - onnx 有一定概率会掉性能点，这个原因暂时不明，onnx 解析 torch 的计算图时候，并不是一个算子对应一个 onnx 算子，这里面存在一些超参不一致等非常隐藏的问题。 3. 后处理是 torch 编写，然后转成 onnx，靠 onnx runtime 调度 4. tensorRT Inference Server 提供 ensemble 模式，可以联合调度 tensorflow 的 pd 文件，tensorRT plan 文件，onnx 格式文件，这样一来，可以把前处理，NN 计算，后处理都服务化，免除工程师搞复杂的编译工作和写 c++ 的工作，整个部署只需要写 python，特别通用高效，且没有竞争力 ## 服务端搭建 ```sh docker pull nvcr.io/nvidia/tensorrtserver:19.12-py3 ``` 注意，这里面需要 nvidia 驱动版本大于 418 才行，cuda 版本要求是 10.1，详细配置参考： https://docs.nvidia.com/deeplearning/sdk/inference-release-notes/rel_19-12.html#rel_19-12 ## 客户端搭建 ```sh docker pull nvcr.io/nvidia/tensorrtserver:19.12-py3-clientsdk ``` 理论上来说，grpc 接口不依赖系统环境，没必要靠 docker 启动客户端，docker run 上述镜像以后，把 /workspace/install/python/tensorrtserver-1.9.0-py2.py3-none-linux_x86_64.whl 的安装文件取出来，直接在任意一台机器 pip install 便可 ```sh # docker run --rm nvcr.io/nvidia/tensorrtserver:19.12-py3-clientsdk /bin/bash # copy `/workspace/install/python/tensorrtserver-1.9.0-py2.py3-none-linux_x86_64.whl` file to any linux machine # run the following commad pip install tensorrtserver-1.9.0-py2.py3-none-linux_x86_64.whl ``` 对于 c++ 来说，把 client 端的 SDK 抠下来找个地方编译自己的文件即可，这里比较烦，暂时不做例子。 ## Inference Server Backend 安装 安装各种 backend，用于生成如下转换格式： - onnx=1.6.0 - tensorRT=6.0.1.5 - tensorflow=1.15.0 - pytorch=1.3.0 安装 TensorRT-6.0.1.5，请参考 https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html 安装其它 backend 库，目前只需要 python 端的即可： ```sh pip install onnx==1.6.0 onnxruntime==1.1.0 onnx-simplifier==0.2.2 pip install tensorflow-gpu==1.5.0 pip install torch==1.3.0 torchvision==0.4.1 pip install opencv-python pillow pycuda ``` ## 开始教程 安装教程内的转换脚本和客户端接口，这个接口不仅能够完成转换，还能生成 tensorRT Inference Server 要求的 config 文件，所以，也适用于其它模型的转换，唯一问题在于 onnx 到 tensorRT 仍然没办法做百分百无缝转换 ```sh cd backend python setup.py install cd client_py python setup.py install ``` 执行教程的 example，这个 example 会生成完整的 model_repository，剩下交给 tensorRT inference server ```sh cd example/detection ./convert.sh ``` model_repository 的文件结构如下： ```sh ./model_repository/ ├── detection │   ├── 1 │   └── config.pbtxt ├── detection-network │   ├── 1 │   │   └── model.plan │   └── config.pbtxt ├── detection-postprocess │   ├── 1 │   │   └── model.onnx │   └── config.pbtxt └── detection-preprocess ├── 1 │   └── model.graphdef └── config.pbtxt ``` 启动服务： ```sh #!/bin/bash HTTP_PORT=7000 GRPC_PORT=7001 METRIC_PORT=7002 DOCKER_IMAGE=nvcr.io/nvidia/tensorrtserver:19.12-py3 MODEL_REPOSITORY=./model_repository docker run --rm \ --runtime nvidia \ --name trt_server \ --shm-size=4g \ --ulimit memlock=-1 \ --ulimit stack=67108864 \ -p${HTTP_PORT}:8000 \ -p${GRPC_PORT}:8001 \ -p${METRIC_PORT}:8002 \ -v${MODEL_REPOSITORY}/:/models \ ${DOCKER_IMAGE} \ trtserver --model-repository=/models ``` 使用 client： ```sh cd example/detection ./client.sh ``` #### python 客户端使用 单步调度举例： ```python from trt_client import client import numpy as np raw_image = open("./xxx.jpg", "rb").read() raw_image = np.array([raw_image], dtype=bytes) runner = client.Inference( url="xx.xxx.xxx.xxx:7001", # grpc model_name="detection", model_version="1" ) results = runner.run(input={"raw_image": raw_image}) print(results) ``` 异步非阻塞调度举例： ```python from trt_client import client import numpy as np runner = client.Inference( url="xx.xxx.xxx.xxx:7001", # grpc model_name="detection", model_version="1" ) for i in range(10): raw_image = open("./{}.jpg".format(i), "rb").read() raw_image = np.array([raw_image], dtype=bytes) results = runner.async_run( input={"raw_image": raw_image}, input_id="image_{}".format(i) ) for i in range(1