Prétraitement accéléré par GPU avec NVIDIA DALI#

Lors du déploiement de modèles Ultralytics YOLO en production, le prétraitement devient souvent le goulot d'étranglement. Alors que TensorRT peut effectuer l'inférence du modèle en quelques millisecondes seulement, le prétraitement basé sur le CPU (redimensionnement, ajout de bordures, normalisation) peut prendre 2 à 10 ms par image, en particulier aux hautes résolutions. NVIDIA DALI (bibliothèque de chargement des données) résout ce problème en déplaçant l'ensemble du pipeline de prétraitement vers le GPU.

Ce guide t'explique comment créer des pipelines DALI qui reproduisent exactement le prétraitement d'Ultralytics YOLO, les intégrer à model.predict(), traiter des flux vidéo et effectuer un déploiement de bout en bout avec Triton Inference Server.

Pourquoi utiliser DALI pour le prétraitement de YOLO#

Dans un pipeline d'inférence YOLO classique, les étapes de prétraitement s'exécutent sur le CPU :

1. Décoder l'image (JPEG/PNG)
2. Redimensionner en conservant les proportions
3. Ajouter des bordures pour atteindre la taille cible (letterbox)
4. Normaliser les valeurs des pixels de [0, 255] à [0, 1]
5. Convertir la disposition de HWC vers CHW

Avec DALI, toutes ces opérations s'exécutent sur le GPU, ce qui élimine le goulot d'étranglement du CPU. C'est particulièrement utile lorsque :

Prérequis#

Installe les packages requis :

pip install ultralytics
pip install --extra-index-url https://pypi.nvidia.com nvidia-dali-cuda130

Prérequis :

• GPU NVIDIA (capacité de calcul 5.0+ / Maxwell ou version ultérieure)
• CUDA 11.0+, 12.0+ ou 13.0+
• Python 3.10-3.14
• Système d'exploitation Linux

Comprendre le prétraitement de YOLO#

Avant de créer un pipeline DALI, il est utile de comprendre précisément ce qu'effectue Ultralytics pendant le prétraitement. La classe clé est LetterBox dans ultralytics/data/augment.py :

from ultralytics.data.augment import LetterBox

letterbox = LetterBox(
    new_shape=(640, 640),  # Target size
    center=True,  # Center the image (pad equally on both sides)
    stride=32,  # Stride alignment
    padding_value=114,  # Gray padding (114, 114, 114)
)

Le pipeline de prétraitement complet dans ultralytics/engine/predictor.py effectue les étapes suivantes :

L'opération letterbox conserve les proportions en :

1. Calculant l'échelle : r = min(target_h / h, target_w / w)
2. Redimensionnant vers (round(w * r), round(h * r))
3. Ajoutant des bordures grises (114) à l'espace restant pour atteindre la taille cible
4. Centrant l'image afin que les bordures soient réparties uniformément des deux côtés

Pipeline DALI pour YOLO#

Le pipeline DALI recommandé reproduit le comportement par défaut LetterBox(center=True) d'Ultralytics, utilisé par l'inférence YOLO standard.

Pipeline centré (recommandé, conforme à Ultralytics LetterBox)#

Cette version reproduit exactement le prétraitement par défaut d'Ultralytics avec des bordures centrées, conformément à LetterBox(center=True) :

from nvidia import dali
from nvidia.dali import fn, types

@dali.pipeline_def(batch_size=8, num_threads=4, device_id=0)
def yolo_dali_pipeline_centered(image_dir, target_size=640):
    """DALI pipeline replicating YOLO preprocessing with centered padding.

    Matches Ultralytics LetterBox(center=True) behavior exactly.
    """
    # Read and decode images on GPU
    jpegs, _ = fn.readers.file(file_root=image_dir, random_shuffle=False, name="Reader")
    images = fn.decoders.image(jpegs, device="mixed", output_type=types.RGB)

    # Aspect-ratio-preserving resize
    resized = fn.resize(
        images,
        resize_x=target_size,
        resize_y=target_size,
        mode="not_larger",
        interp_type=types.INTERP_LINEAR,
        antialias=False,  # Match cv2.INTER_LINEAR (no antialiasing)
    )

    # Centered padding using fn.crop with out_of_bounds_policy
    # When crop size > image size, fn.crop centers the image and pads symmetrically
    padded = fn.crop(
        resized,
        crop=(target_size, target_size),
        out_of_bounds_policy="pad",
        fill_values=114,  # YOLO padding value
    )

    # Normalize and convert layout
    output = fn.crop_mirror_normalize(
        padded,
        dtype=types.FLOAT,
        output_layout="CHW",
        mean=[0.0, 0.0, 0.0],
        std=[255.0, 255.0, 255.0],
    )
    return output

Exécuter le pipeline#

# Build and run the pipeline
pipe = yolo_dali_pipeline_centered(image_dir="/path/to/images", target_size=640)
pipe.build()

# Get a batch of preprocessed images
(output,) = pipe.run()

# Convert to numpy or PyTorch tensors
batch_np = output.as_cpu().as_array()  # Shape: (batch_size, 3, 640, 640)
print(f"Output shape: {batch_np.shape}, dtype: {batch_np.dtype}")
print(f"Value range: [{batch_np.min():.4f}, {batch_np.max():.4f}]")

Utiliser DALI avec Ultralytics Predict#

Tu peux transmettre directement un tenseur PyTorch prétraité à model.predict(). Lorsqu'un torch.Tensor est transmis, Ultralytics ignore le prétraitement de l'image (letterbox, BGR→RGB, HWC→CHW et normalisation /255) et effectue uniquement le transfert vers le périphérique et la conversion du type avant de l'envoyer au modèle.

Comme Ultralytics n'a pas accès aux dimensions d'origine de l'image dans ce cas, les coordonnées des boîtes de détection sont renvoyées dans l'espace letterbox 640×640. Pour les remapper vers les coordonnées de l'image d'origine, utilise scale_boxes, qui applique exactement la logique d'arrondi utilisée par LetterBox :

from ultralytics.utils.ops import scale_boxes

# boxes: tensor of shape (N, 4) in xyxy format, in 640x640 letterboxed coords
# Scale boxes from letterboxed (640, 640) back to original (orig_h, orig_w)
boxes = scale_boxes((640, 640), boxes, (orig_h, orig_w))

Cela s'applique à tous les chemins de prétraitement externes — entrée directe d'un tenseur, flux vidéo et déploiement Triton.

from nvidia.dali.plugin.pytorch import DALIGenericIterator

from ultralytics import YOLO

# Load model
model = YOLO("yolo26n.pt")

# Create DALI iterator
pipe = yolo_dali_pipeline_centered(image_dir="/path/to/images", target_size=640)
pipe.build()
dali_iter = DALIGenericIterator(pipe, ["images"], reader_name="Reader")

# Run inference with DALI-preprocessed tensors
for batch in dali_iter:
    images = batch[0]["images"]  # Already on GPU, shape (B, 3, 640, 640)
    results = model.predict(images, verbose=False)
    for result in results:
        print(f"Detected {len(result.boxes)} objects")

DALI avec des flux vidéo#

Pour le traitement vidéo en temps réel, utilise fn.external_source pour alimenter le pipeline avec des images provenant de n'importe quelle source — OpenCV, GStreamer ou des bibliothèques de capture personnalisées :

from nvidia import dali
from nvidia.dali import fn, types

@dali.pipeline_def(batch_size=1, num_threads=4, device_id=0)
def yolo_video_pipeline(target_size=640):
    """DALI pipeline for processing video frames from external source."""
    # External source for feeding frames from OpenCV, GStreamer, etc.
    frames = fn.external_source(device="cpu", name="input")
    frames = fn.reshape(frames, layout="HWC")

    # Move to GPU and preprocess
    frames_gpu = frames.gpu()
    resized = fn.resize(
        frames_gpu,
        resize_x=target_size,
        resize_y=target_size,
        mode="not_larger",
        interp_type=types.INTERP_LINEAR,
        antialias=False,
    )
    padded = fn.crop(
        resized,
        crop=(target_size, target_size),
        out_of_bounds_policy="pad",
        fill_values=114,
    )
    output = fn.crop_mirror_normalize(
        padded,
        dtype=types.FLOAT,
        output_layout="CHW",
        mean=[0.0, 0.0, 0.0],
        std=[255.0, 255.0, 255.0],
    )
    return output

Triton Inference Server avec DALI#

Pour un déploiement en production, combine le prétraitement DALI avec l'inférence TensorRT dans Triton Inference Server à l'aide d'un modèle d'ensemble. Cela élimine entièrement le prétraitement CPU — des octets JPEG bruts entrent, les détections ressortent, et tout est traité sur le GPU.

Structure du référentiel de modèles#

model_repository/
├── dali_preprocessing/
│   ├── 1/
│   │   └── model.dali
│   └── config.pbtxt
├── yolo_trt/
│   ├── 1/
│   │   └── model.plan
│   └── config.pbtxt
└── ensemble_dali_yolo/
    ├── 1/                  # Empty directory (required by Triton)
    └── config.pbtxt

Étape 1 : créer le pipeline DALI#

Sérialise le pipeline DALI pour le backend DALI de Triton :

from nvidia import dali
from nvidia.dali import fn, types

@dali.pipeline_def(batch_size=8, num_threads=4, device_id=0)
def triton_dali_pipeline():
    """DALI preprocessing pipeline for Triton deployment."""
    # Input: raw encoded image bytes from Triton
    images = fn.external_source(device="cpu", name="DALI_INPUT_0")
    images = fn.decoders.image(images, device="mixed", output_type=types.RGB)

    resized = fn.resize(
        images,
        resize_x=640,
        resize_y=640,
        mode="not_larger",
        interp_type=types.INTERP_LINEAR,
        antialias=False,
    )
    padded = fn.crop(
        resized,
        crop=(640, 640),
        out_of_bounds_policy="pad",
        fill_values=114,
    )
    output = fn.crop_mirror_normalize(
        padded,
        dtype=types.FLOAT,
        output_layout="CHW",
        mean=[0.0, 0.0, 0.0],
        std=[255.0, 255.0, 255.0],
    )
    return output

# Serialize pipeline to model repository
pipe = triton_dali_pipeline()
pipe.serialize(filename="model_repository/dali_preprocessing/1/model.dali")

Étape 2 : exporter YOLO vers TensorRT#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(
    format="engine", imgsz=640, quantize=16, batch=8, dynamic=True, nms=False
)  # NMS-free (N, 300, 6); TensorRT >= 8.5
# Copy the .engine file to model_repository/yolo_trt/1/model.plan

Étape 3 : configurer Triton#

dali_preprocessing/config.pbtxt :

name: "dali_preprocessing"
backend: "dali"
max_batch_size: 8
input [
  {
    name: "DALI_INPUT_0"
    data_type: TYPE_UINT8
    dims: [ -1 ]
  }
]
output [
  {
    name: "DALI_OUTPUT_0"
    data_type: TYPE_FP32
    dims: [ 3, 640, 640 ]
  }
]

yolo_trt/config.pbtxt :

name: "yolo_trt"
platform: "tensorrt_plan"
max_batch_size: 8
input [
  {
    name: "images"
    data_type: TYPE_FP32
    dims: [ 3, 640, 640 ]
  }
]
output [
  {
    name: "output0"
    data_type: TYPE_FP32
    dims: [ 300, 6 ]
  }
]

ensemble_dali_yolo/config.pbtxt :

name: "ensemble_dali_yolo"
platform: "ensemble"
max_batch_size: 8
input [
  {
    name: "INPUT"
    data_type: TYPE_UINT8
    dims: [ -1 ]
  }
]
output [
  {
    name: "OUTPUT"
    data_type: TYPE_FP32
    dims: [ 300, 6 ]
  }
]
ensemble_scheduling {
  step [
    {
      model_name: "dali_preprocessing"
      model_version: -1
      input_map {
        key: "DALI_INPUT_0"
        value: "INPUT"
      }
      output_map {
        key: "DALI_OUTPUT_0"
        value: "preprocessed_image"
      }
    },
    {
      model_name: "yolo_trt"
      model_version: -1
      input_map {
        key: "images"
        value: "preprocessed_image"
      }
      output_map {
        key: "output0"
        value: "OUTPUT"
      }
    }
  ]
}

Étape 4 : envoyer des requêtes d'inférence#

import numpy as np
import tritonclient.http as httpclient

client = httpclient.InferenceServerClient(url="localhost:8000")

# Load image as raw bytes (JPEG/PNG encoded)
image_data = np.fromfile("image.jpg", dtype="uint8")
image_data = np.expand_dims(image_data, axis=0)  # Add batch dimension

# Create input
input_tensor = httpclient.InferInput("INPUT", image_data.shape, "UINT8")
input_tensor.set_data_from_numpy(image_data)

# Run inference through the ensemble
result = client.infer(model_name="ensemble_dali_yolo", inputs=[input_tensor])
detections = result.as_numpy("OUTPUT")  # Shape: (1, 300, 6) -> [x1, y1, x2, y2, conf, class_id]

# Filter by confidence (no NMS needed for the nms=False export)
detections = detections[0]  # First image
detections = detections[detections[:, 4] > 0.25]  # Confidence threshold
print(f"Detected {len(detections)} objects")

Tâches prises en charge#

Le prétraitement DALI fonctionne avec toutes les tâches YOLO qui utilisent le pipeline standard LetterBox :

Limites#

• Linux uniquement : DALI ne prend pas en charge Windows ni macOS
• GPU NVIDIA requis : aucun mode de secours uniquement sur CPU
• Pipeline statique : la structure du pipeline est définie lors de sa construction et ne peut pas changer dynamiquement
• fn.pad est limité à droite/en bas : utilise fn.crop avec out_of_bounds_policy="pad" pour un remplissage centré
• Pas de mode rect : les pipelines DALI produisent des sorties de taille fixe (par exemple, 640×640). Le mode rect auto=True, qui produit des sorties de taille variable (par exemple, 384×640), n'est pas pris en charge. Note que, même si TensorRT prend en charge les formes d'entrée dynamiques, un pipeline DALI de taille fixe s'associe naturellement à un moteur de taille fixe pour un débit maximal
• Mémoire avec plusieurs instances : l'utilisation de instance_group avec count > 1 dans Triton peut entraîner une consommation mémoire élevée. Utilise le groupe d'instances par défaut pour le modèle DALI

FAQ#