Prétraitement accéléré par GPU avec NVIDIA DALI

Introduction

Lors du déploiement de Ultralytics YOLO modèles en production, le prétraitement devient souvent le goulot d'étranglement. Bien que TensorRT puisse exécuter l'inférence du modèle inférence en quelques millisecondes seulement, le prétraitement basé sur le CPU (redimensionnement, remplissage, normalisation) peut prendre 2 à 10 ms par image, surtout en haute résolution. 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 Ultralytics YOLO, en les intégrant avec model.predict(), en traitant des flux vidéo et en déployant de bout en bout avec Triton Inference Server.

Pourquoi 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 tout en préservant le rapport hauteur/largeur
3. Remplissage (Pad) jusqu'à la taille cible (letterbox)
4. Normalisation des valeurs de pixels de [0, 255] à [0, 1]
5. Conversion de la disposition de HWC à CHW

Avec DALI, toutes ces opérations s'exécutent sur le GPU, éliminant le goulot d'étranglement du CPU. C'est particulièrement précieux lorsque :

Prérequis

Installe les paquets requis :

pip install ultralytics
pip install --extra-index-url https://pypi.nvidia.com nvidia-dali-cuda120

Prérequis :

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

Comprendre 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 ces étapes :

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

Pipeline DALI pour YOLO

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

Pipeline centré (recommandé, correspond à Ultralytics LetterBox)

Cette version reproduit exactement le prétraitement Ultralytics par défaut avec un 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

Exécution 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}]")

Utiliser DALI avec Ultralytics Predict

Tu peux passer 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 casting de dtype 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 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))

Ceci s'applique à tous les chemins de prétraitement externes — entrée de tenseur direct, 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 les flux vidéo

Pour le traitement vidéo en temps réel, utilise fn.external_source pour alimenter les frames 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

Serveur Triton Inference avec DALI

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

Structure 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

Étape 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")

Étape 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

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

!!! info "Pourquoi tritonclient au lieu de YOLO(\"http://...\")?"

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")

Tâches prises en charge

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

Limites

• Linux uniquement : DALI ne prend pas en charge Windows ou macOS
• GPU NVIDIA requis : Pas de fallback CPU uniquement
• Pipeline statique : La structure du pipeline est définie au moment de la compilation et ne peut pas changer dynamiquement
• fn.pad est uniquement 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 ex., 640×640). Le auto=True mode rect qui produit des sorties de taille variable (par ex., 384×640) n'est pas pris en charge. Note que bien que TensorRT prenne 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 instances multiples : Utiliser instance_group avec count > 1 dans Triton peut causer une utilisation élevée de la mémoire. Utilise le groupe d'instances par défaut pour le modèle DALI

FAQ

Comment 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 gains les plus importants sont observés avec des entrées haute résolution (1080p, 4K), des Lors du déploiement de modèles en production, les besoins en mémoire et l'efficacité de l'entraînement sont tout aussi cruciaux que la vitesse d'inférence. Les modèles Ultralytics, en particulier YOLO26, sont hautement optimisés pour réduire l'utilisation de la mémoire CUDA pendant l'entraînement. Cela te permet d'utiliser des larges, et des systèmes avec un nombre limité de cœurs CPU par GPU.

Puis-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 performance est le plus grand avec les modèles TensorRT où l'inférence est déjà très rapide et où le prétraitement CPU devient le goulot d'étranglement.

Quelle est la différence entre fn.pad et en fn.crop pour le remplissage ?

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

DALI 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 celui d'OpenCV cv2.INTER_LINEAR. Des différences mineures en virgule flottante (< 0,001) peuvent survenir en raison de l'arithmétique GPU vs CPU, mais elles n'ont aucun impact mesurable sur la détection la précision.

Qu'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 le remplissage explicite par côté, rendant le letterbox centré simple. Choisis DALI pour les flux de travail basés sur des pipelines (surtout avec Triton), et CV-CUDA pour un contrôle précis au niveau des opérateurs dans ton code d'inférence personnalisé.