使用TensorRT 和 Triton 在Jetson NX上的模型部署_jetson triton

Jetson因为是基于arm的与传统基于x86的主机或服务器的模型部署略有差别，但基本类似，主要分为三步

• 模型转换为onnx
• 生成基于TensorRT的推理引擎
• 使用Triton完成部署

1、模型转换为onnx

首先可以将pytorch或其他框架训练好的模型转换为onnx格式用于后续的部署。pytorch中有onnx类可以将模型直接导出为onnx格式，以yolov6为例，用法如下：

torch.onnx.export(model, img, f, verbose=False, opset_version=13,
                              training=torch.onnx.TrainingMode.EVAL,
                              do_constant_folding=True,
                              input_names=['images'],
                              output_names=['num_dets', 'det_boxes', 'det_scores', 'det_classes']
                              if args.end2end else ['outputs'],
                              dynamic_axes=dynamic_axes)

使用以下命令可以将模型导出为onnx格式：

python export_onnx.py --weights ./outputs/yolov6.pth

更多配置，可以参考yolov6导出中的相关参数

完成以上后，可以得到onnx格式的模型文件。

2、生成基于TensorRT的推理引擎

在Jetson上安装arm版的TensorRT后可以使用trtexec将onnx模型文件生成推理引擎，具体安装方法可以参考 ，安装完成后在 /usr/src/ 下会有一个/tensorrt文件夹， 使用以下命令，可以生成推理引擎：

/usr/src/tensorrt/bin/trtexec --onnx=yolov6.onnx --fp16 --workspace=4096 --saveEngine=yolov6-fp16.engine

执行结束后会保存一个推理引擎，并且得到类似如下的性能结果报告：

[11/12/2022-17:04:55] [I] === Performance summary ===
[11/12/2022-17:04:55] [I] Throughput: 47.1886 qps
[11/12/2022-17:04:55] [I] Latency: min = 21.2761 ms, max = 21.8617 ms, mean = 21.4982 ms, median = 21.4636 ms, percentile(99%) = 21.7831 ms
[11/12/2022-17:04:55] [I] Enqueue Time: min = 1.04932 ms, max = 2.34424 ms, mean = 1.34331 ms, median = 1.27527 ms, percentile(99%) = 2.00671 ms
[11/12/2022-17:04:55] [I] H2D Latency: min = 0.408203 ms, max = 0.515991 ms, mean = 0.436084 ms, median = 0.427795 ms, percentile(99%) = 0.515137 ms
[11/12/2022-17:04:55] [I] GPU Compute Time: min = 20.8496 ms, max = 21.4231 ms, mean = 21.045 ms, median = 21.0016 ms, percentile(99%) = 21.3416 ms
[11/12/2022-17:04:55] [I] D2H Latency: min = 0.0112305 ms, max = 0.019043 ms, mean = 0.0170788 ms, median = 0.0170898 ms, percentile(99%) = 0.0185547 ms
[11/12/2022-17:04:55] [I] Total Host Walltime: 3.05159 s
[11/12/2022-17:04:55] [I] Total GPU Compute Time: 3.03048 s
[11/12/2022-17:04:55] [I] Explanations of the performance metrics are printed in the verbose logs.
[11/12/2022-17:04:55] [I] 
&&&& PASSED TensorRT.trtexec [TensorRT v8401] # /usr/src/tensorrt/bin/trtexec --onnx=yolov6.onnxh --fp16 --workspace=4096 --saveEngine=yolov6-fp16.engine

3、使用Triton完成部署

在上一步中使用TensorRT得到推理引擎后，可以使用Triton进行进一步的部署。 Jetson版的Triton Server安装可以参考 Triton Inference Server Support for Jetson and JetPack

安装完成后，配置模型即可完成部署，更多信息可参考 Triton Model Configuration Documentation，在本次部署中设置简单配置过程如下：

# Create folder structure
$ mkdir -p triton-deploy/models/pe/1/
$ touch triton-deploy/models/pe/config.pbtxt
# Place model
$ mv pe-fp16.engine triton-deploy/models/pe/1/model.plan

执行以上命令后，配置文件的目录格式如下：

$ tree triton-deploy/
triton-deploy/
└── models
    └── pe
        ├── 1
        │   └── model.plan
        └── config.pbtxt
 
3 directories, 2 files

可以构建好模型文件的目录和配置文件，目录格式如上。并将上一步中得到的推理引擎复制到相应目录下作为model.plan, 同时需要配置config.pbtxt， 一个简单的示例配置文件config.pbtxt可以设置如下：

name: "pe"
platform: "tensorrt_plan"
max_batch_size: 1
dynamic_batching { }

完成以上配置后，即可使用tritonserver进行部署：

./tritonserver2.27.0-jetpack5.0.2/bin/tritonserver --model-repository=triton-deploy/models --backend-directory=/home/nvidia/Downloads/tritonserver2.27.0-jetpack5.0.2/backends --backend-config=tensorrt,version=8

部署成功后结果如如下图所示，可以使用pytritonclient访问8001端口进行推理推理调用

+-------+---------+--------+
| Model | Version | Status |
+-------+---------+--------+
| pe    | 1       | READY  |
+-------+---------+--------+
 
W1121 10:34:52.037176 47570 metrics.cc:354] No polling metrics (CPU, GPU, Cache) are enabled. Will not poll for them.
I1121 10:34:52.037548 47570 tritonserver.cc:2264] 
+----------------------------------+------------------------------------------------------------------+
| Option                           | Value                                                            |
+----------------------------------+------------------------------------------------------------------+
| server_id                        | triton                                                           |
| server_version                   | 2.27.0                                                           |
| server_extensions                | classification sequence model_repository model_repository(unload |
|                                  | _dependents) schedule_policy model_configuration system_shared_m |
|                                  | emory cuda_shared_memory binary_tensor_data statistics trace log |
|                                  | ging                                                             |
| model_repository_path[0]         | triton-deploy/models                                             |
| model_control_mode               | MODE_NONE                                                        |
| strict_model_config              | 0                                                                |
| rate_limit                       | OFF                                                              |
| pinned_memory_pool_byte_size     | 268435456                                                        |
| cuda_memory_pool_byte_size{0}    | 67108864                                                         |
| response_cache_byte_size         | 0                                                                |
| min_supported_compute_capability | 5.3                                                              |
| strict_readiness                 | 1                                                                |
| exit_timeout                     | 30                                                               |
+----------------------------------+------------------------------------------------------------------+
 
I1121 10:34:52.044596 47570 grpc_server.cc:4819] Started GRPCInferenceService at 0.0.0.0:8001
I1121 10:34:52.045703 47570 http_server.cc:3474] Started HTTPService at 0.0.0.0:8000
I1121 10:34:52.088336 47570 http_server.cc:181] Started Metrics Service at 0.0.0.0:8002

以上，完成了模型在Jetson NX上的部署工作。