Link to this sectionPrétraitement accéléré par GPU avec NVIDIA DALI#

Link to this sectionIntroduction#

Lors du déploiement de modèles Ultralytics YOLO en production, le prétraitement devient souvent le goulot d'étranglement. Bien que TensorRT puisse exécuter l'inférence du modèle en quelques millisecondes seulement, le prétraitement basé sur le CPU (redimensionnement, remplissage, normalisation) peut prendre 2 à 10 ms par image, surtout avec des résolutions élevées. NVIDIA DALI (Data Loading Library) résout ce problème en déplaçant l'intégralité du pipeline de prétraitement vers le GPU.

Ce guide t'accompagne dans la création de pipelines DALI qui reproduisent exactement le prétraitement d'Ultralytics YOLO, en les intégrant à model.predict(), en traitant des flux vidéo et en effectuant un déploiement complet avec Triton Inference Server.

Link to this sectionPourquoi utiliser DALI pour le prétraitement YOLO ?#

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

1. Décodage de l'image (JPEG/PNG)
2. Redimensionnement en préservant le rapport hauteur/largeur
3. Remplissage (pad) pour atteindre la taille cible (letterbox)
4. Normalisation des valeurs de pixels de [0, 255] à [0, 1]
5. Conversion de la disposition HWC vers CHW

Avec DALI, toutes ces opérations s'exécutent sur le GPU, éliminant ainsi le goulot d'étranglement du CPU. C'est particulièrement utile dans les cas suivants :

Link to this sectionPrérequis#

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 plus récent)
• CUDA 11.0+, 12.0+ ou 13.0+
• Python 3.10-3.14
• Système d'exploitation Linux

Link to this sectionComprendre le prétraitement YOLO#

Avant de construire un pipeline DALI, il est utile de comprendre exactement ce qu'Ultralytics fait lors du 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 préserve le rapport hauteur/largeur en :

1. Calculant l'échelle : r = min(target_h / h, target_w / w)
2. Redimensionnant à (round(w * r), round(h * r))
3. Remplissant l'espace restant avec du gris (114) pour atteindre la taille cible
4. Centrant l'image afin que le remplissage soit distribué équitablement des deux côtés

Link to this sectionPipeline DALI pour YOLO#

Utilise le pipeline centré ci-dessous comme référence par défaut. Il correspond au comportement d'Ultralytics LetterBox(center=True), ce que l'inférence YOLO standard utilise.

Link to this sectionPipeline centré (Recommandé, correspond à Ultralytics LetterBox)#

Cette version reproduit exactement le prétraitement par défaut d'Ultralytics avec remplissage centré, correspondant à LetterBox(center=True) :

import nvidia.dali as dali
import nvidia.dali.fn as fn
import nvidia.dali.types as 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

Link to this sectionExécution du 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}]")

Link to this sectionUtilisation de DALI avec Ultralytics Predict#

Tu peux transmettre un tenseur PyTorch prétraité directement 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 le transtypage 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 letterboxé 640×640. Pour les remapper aux coordonnées d'origine de l'image, utilise scale_boxes qui gère la logique d'arrondi exacte 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 par 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")

Link to this sectionDALI avec flux vidéo#

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

import nvidia.dali as dali
import nvidia.dali.fn as fn
import nvidia.dali.types as 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

Link to this sectionTriton Inference Server avec DALI#

Pour le déploiement en production, combine le prétraitement DALI avec l'inférence TensorRT dans Triton Inference Server en utilisant un modèle d'ensemble. Cela élimine entièrement le prétraitement CPU — les octets JPEG bruts entrent, les détections sortent, avec tout le traitement effectué sur le GPU.

Link to this sectionStructure du dépôt 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

Link to this sectionÉtape 1 : Créer le pipeline DALI#

Sérialise le pipeline DALI pour le backend Triton DALI :

import nvidia.dali as dali
import nvidia.dali.fn as fn
import nvidia.dali.types as 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")

Link to this sectionÉtape 2 : Exporter YOLO vers TensorRT#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="engine", imgsz=640, half=True, batch=8)
# Copy the .engine file to model_repository/yolo_trt/1/model.plan

Link to this sectionÉtape 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"
      }
    }
  ]
}

Link to this sectionÉtape 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 — YOLO26 is end-to-end)
detections = detections[0]  # First image
detections = detections[detections[:, 4] > 0.25]  # Confidence threshold
print(f"Detected {len(detections)} objects")

Link to this sectionTâches prises en charge#

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

Link to this sectionLimites#

• Linux uniquement : DALI ne prend pas en charge Windows ou macOS
• GPU NVIDIA requis : Pas de solution de secours utilisant uniquement le CPU
• Pipeline statique : La structure du pipeline est définie au moment de la compilation et ne peut pas changer dynamiquement
• fn.pad est uniquement pour la droite/le 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 bien que TensorRT prenne en charge les formes d'entrée dynamiques, un pipeline DALI à taille fixe s'associe naturellement à un moteur à taille fixe pour un débit maximal
• Mémoire avec instances multiples : L'utilisation de instance_group avec count > 1 dans Triton peut entraîner une utilisation élevée de la mémoire. Utilise le groupe d'instances par défaut pour le modèle DALI

Link to this sectionFAQ#

Link to this sectionComment le prétraitement DALI se compare-t-il à la vitesse de prétraitement CPU ?#

L'avantage dépend de ton pipeline. Lorsque l'inférence GPU est déjà rapide avec TensorRT, le prétraitement CPU à 2-10ms peut devenir le coût dominant. DALI élimine ce goulot d'étranglement en exécutant le prétraitement sur le GPU. Les plus gros gains sont observés avec des entrées haute résolution (1080p, 4K), de grandes tailles de lots et des systèmes avec un nombre limité de cœurs CPU par GPU.

Link to this sectionPuis-je utiliser DALI avec des modèles PyTorch (pas seulement TensorRT) ?#

Oui. Utilise DALIGenericIterator pour obtenir des sorties torch.Tensor prétraitées, puis transmets-les à model.predict(). Cependant, l'avantage en termes de performances est le plus important avec les modèles TensorRT où l'inférence est déjà très rapide et le prétraitement CPU devient le goulot d'étranglement.

Link to this sectionQuelle est la différence entre fn.pad et fn.crop pour le remplissage ?#

fn.pad ajoute du remplissage uniquement sur les bords droit et inférieur. fn.crop avec out_of_bounds_policy="pad" centre l'image et ajoute du remplissage symétriquement sur tous les côtés, correspondant au comportement LetterBox(center=True) d'Ultralytics.

Link to this sectionDALI produit-il des résultats identiques au niveau des pixels par rapport au prétraitement CPU ?#

Presque identiques. Règle antialias=False dans fn.resize pour correspondre à cv2.INTER_LINEAR d'OpenCV. Des différences mineures en virgule flottante (< 0,001) peuvent survenir en raison de l'arithmétique GPU par rapport au CPU, mais celles-ci n'ont aucun impact mesurable sur la précision de la détection.

Link to this sectionQu'en est-il de CV-CUDA comme alternative à DALI ?#

CV-CUDA est une autre bibliothèque NVIDIA pour le traitement de vision accéléré par GPU. Elle offre un contrôle par opérateur (comme OpenCV mais sur GPU) plutôt que l'approche par pipeline de DALI. Le cvcuda.copymakeborder() de CV-CUDA prend en charge un remplissage explicite par côté, ce qui rend le letterbox centré simple. Choisis DALI pour les flux de travail basés sur les pipelines (surtout avec Triton), et CV-CUDA pour un contrôle granulaire au niveau des opérateurs dans le code d'inférence personnalisé.