赞
踩
github链接:https://github.com/Lobaer-D/triton-onnx
整体流程可以参考CSDN链接
Nvidia-Docker安装需要安装两个部分,Docker-CE和NVIDIA Container Toolkit。
Docker-CE on Ubuntu can be setup using Docker’s official convenience script:
官方的快速安装脚本,具体安装的版本应该是最新版,如果用此脚本安装Docker,以后还可以使用此脚本更新:
curl https://get.docker.com | sh \
&& sudo systemctl --now enable docker
注意:如果你的机器已经有安装Docker,那么使用这个脚本可能会出错,要是你本机的Docker就是用这个脚本安装的,那么你可以再次用这个脚本进行更新。
我使用此脚本进行安装后:
需要执行sudo /lib/systemd/systemd-sysv-install enable docker
来激活docker,激活后查看Docker版本docker --version
复制以下命令到终端,直接运行即可完成
sudo mkdir -p /etc/docker
sudo tee /etc/docker/daemon.json <<-'EOF'
{
"registry-mirrors": ["https://sx1pmhon.mirror.aliyuncs.com"]
}
EOF
sudo systemctl daemon-reload
sudo systemctl restart docker
docker 默认安装存储位置为 /var/lib/docker
。当镜像多了以后,会占用大量的存储空间,当所在的分区存储空间不足时,我们可以通过扩展磁盘空间,或者修改 docker 配置中的存储位置来解决上述问题。
输入以下命令即可查看doker默认存储位置,最初默认位置为/var/lib/docker
sudo docker info|grep "Docker Root Dir"
软链接 (Symbolic Link),也称符号链接,这里不再详细介绍。最简单的修改方法是将原docker 目录下的文件迁移到新的目录,然后将原目录链接到新的目录,这种方法的好处是不用修改 docker 配置,从系统文件操作的层面来解决。方法如下:
# systemctl stop docker
/var/lib/docker
目录到目的路径(/data/docker
):# mv /var/lib/docker /data/docker
# ln -s /root/docker /var/lib/docker
**Note:**命令的意思是 /var/lib/docker
是链接文件名,其作用是当进入/var/lib/docker
目录时,实际上是链接进入了 /root/docker
目录
# systemctl start docker
也可以通过修改 docker.service 文件,使用 --graph newPath 参数指定存储位置,方法如下:
# systemctl stop docker
# mv /var/lib/docker /data/docker
centos7 下默认路径为 /usr/lib/systemd/system/docker.service
# vim /usr/lib/systemd/system/docker.service
在 ExecStart=/usr/bin/dockerd 后面添加参数 --graph /data/docker
结果如下:
ExecStart=/usr/bin/dockerd --graph /data/docker -H fd:// --containerd=/run/containerd/containerd.sock
# systemctl daemon-reload
# systemctl start docker
# docker info | grep "Docker Root Dir"
Docker Root Dir: /data/docker
设置稳定版本的库及GPG密钥
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
Optional:如果想要使用实验特性,需要加入experimental分支到库下:
curl -s -L https://nvidia.github.io/nvidia-container-runtime/experimental/$distribution/nvidia-container-runtime.list | sudo tee /etc/apt/sources.list.d/nvidia-container-runtime.list
更新好包列表之后,安装nvidia-docker2包及其依赖:
sudo apt-get update
sudo apt-get install -y nvidia-docker2
安装完毕…
上述默认运行时设置好后,重启Docker后台驻留程序:
sudo systemctl restart docker
现在可以通过运行base CUDA container来测试一个working setup
sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi
先给出官方代码链接,yolov5。这里不对yolov5原理做介绍,直接从训练的pt文件开始。当我们训练好模型以后,在官方给的yolov5代码结构中,runs目录下会生成train目录,找到最终训练的exp,在weights目录下会生成best.pt和last.pt,我们选择best.pt,指定输入输出路径,输入以下命令
python export.py --weights yolov5s.pt --include torchscript onnx
在有的情况下输出模型结构需要进行调整,修改fucs网络层,输出节点进行拼接等。这里不需要对模型的输入输出节点进行修改。输出网络结构如图所示。
PaddleUtils-main目录下提供了相关的修改工具
将417,437,output输出节点改为output1,output2,output3
有时遇到拿到的ONNX模型缺少中间节点的shape信息,可以使用onnx_infer_shape来进行shape推理,此脚本源于onnxruntime,使用方式如下
python onnx_infer_shape.py --input model.onnx --output new_model.onnx
在部分场景下,我们可能只需要整个模型的一部分,那么可以使用prune_onnx_model.py来裁剪模型,如我们只需要模型中的输出x和y及其之前的节点即可,那么可使用如下方式处理模型
python prune_onnx_model.py --model model.onnx --output_names x y --save_file new_model.onnx
其中output_names用于指定最终模型的输出tensor,可以指定多个
python rename_onnx_model.py --model model.onnx --origin_names x y z --new_names x1 y1 z1 --save_file new_model.onnx
其中origin_names和new_names,前者表示原模型中各个命名(可指定多个),后者表示新命名,两个参数指定的命名个数需要相同
docker pull nvcr.io/nvidia/tritonserver:22.04-py3
在triton_inference_server目录下分别创建deploy、images、labels文件夹,其中deploy文件夹下放置我们的模型文件,images文件夹下放置模型输入输出图片,labels文件夹放置模型分类的标签类别。
deploy文件夹下的模型放置结构要严格按照这个结构进行放置。
其中custom_model目录下为python backend模型,其作用是在服务端进行模型的推理与后处理,config.pbtxt文件为模型的配置文件,triton.tar.gz文件为运行model.py文件所需的python环境,由于该文件太大,没有上传,获取方式稍后介绍。
model_0、1、2目录下放置我们训练并转化好的模型文件。
images目录下有两个目录,input_img目录放置要输入进行预测的图片(代码中目前没有调用该目录下的图片,调用的是网络图片,如果想要调用该目录下的图片只需要将model.py文件稍作修改即可);output_img目录存放预测完成的图片,他会按照日期生成文件夹,该文件夹下存放当天生成的图片,图片命名方式由uuid随机生成。
目录结构如下:
triton_inference_server ├── client.py ├── deploy │ ├── custom_model │ │ ├── 1 │ │ │ ├── model.py │ │ │ └── __pycache__ │ │ │ ├── hat_utils.cpython-38.pyc │ │ │ └── model.cpython-38.pyc │ │ ├── config.pbtxt │ │ └── triton.tar.gz │ ├── model_0 │ │ ├── 1 │ │ │ └── model.onnx │ │ └── config.pbtxt │ ├── model_1 │ │ ├── 1 │ │ │ └── model.onnx │ │ └── config.pbtxt │ └── model_2 │ ├── 1 │ │ └── model.onnx │ └── config.pbtxt ├── images │ ├── input_img │ │ └── 4.jpg │ └── output_img │ └── 20220805 │ └── 02e2f779-461f-40be-8d7d-43f46e73a62a.jpg └── labels ├── label_0.txt ├── label_1.txt └── label_2.txt
在创建虚拟环境之前运行
export PYTHONNOUSERSITE=True
创建一个虚拟环境,安装服务端需要的包
conda create -n triton python=3.8
pip install opencv-python # conda 安装不了,用 pip,如果有问题安装opencv-python-headless
pip3 install torch torchvision torchaudio
# 清华镜像源
# pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple
conda install conda-pack
conda-pack # 运行打包程序,将会打包到运行的目录下面
如果需要,安装opencv的依赖
apt update
apt install ffmpeg libsm6 libxext6 -y --fix-missing # 安装 opencv 的依赖, -y 表示 yes
将打包的triton.tar.gz文件放到cuetom_model路径下
进入工作空间
cd triton_inference_server
启动容器
sudo docker run --gpus all --name triton-inference-server --rm --shm-size=1g -p9090:8000 -p9091:8001 -p9092:8002 -v $(pwd)/deploy:/models -v $(pwd)/images:/images -v $(pwd)/labels:/labels nvcr.io/nvidia/tritonserver:21.09-py3
tritonserver --model-repository=/models
安装依赖包
pip install tritonclient[all]
运行client.py文件
python client.py
我不会用 Triton 系列:Python Backend 的使用
官方github[triton-inference-server]
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。