Inférence thread-safe avec des modèles YOLO#

Pour exécuter l’inférence Ultralytics YOLO en toute sécurité entre des threads Python, instancie un modèle YOLO distinct dans chaque thread au lieu de partager une même instance entre eux. Le partage d’un seul modèle provoque des conditions de concurrence qui corrompent son état interne et produisent des résultats imprévisibles, car le module threading de Python exécute les threads simultanément sur le même objet. Ce guide explique pourquoi le partage échoue, présente le modèle sûr par thread et décrit le décorateur ThreadingLocked pour les cas où tu dois partager une instance.

Accède directement à la raison pour laquelle le partage d’un modèle échoue, au modèle thread-safe ou au décorateur ThreadingLocked.

Comprendre le threading Python#

Les threads Python sont une forme de parallélisme qui permet à ton programme d’exécuter plusieurs opérations à la fois. Toutefois, le verrouillage global de l’interpréteur (GIL) de Python signifie qu’un seul thread peut exécuter du bytecode Python à la fois.

Bien que cela puisse sembler être une limitation, les threads peuvent tout de même fournir de la concurrence, en particulier pour les opérations limitées par les entrées-sorties ou lors de l’utilisation d’opérations qui libèrent le GIL, comme celles effectuées par les bibliothèques C sous-jacentes de YOLO.

Le danger des instances de modèle partagées#

Instancier un modèle YOLO en dehors de tes threads et partager cette instance entre plusieurs threads peut provoquer des conditions de concurrence, dans lesquelles l’état interne du modèle est modifié de manière incohérente en raison d’accès concurrents. Cela pose particulièrement problème lorsque le modèle ou ses composants contiennent un état qui n’est pas conçu pour être thread-safe.

Exemple non thread-safe : instance unique du modèle#

Lorsque tu utilises des threads en Python, il est important d’identifier les modèles susceptibles de provoquer des problèmes de concurrence. Voici ce que tu dois éviter : partager une seule instance de modèle YOLO26 entre plusieurs threads.

# Unsafe: Sharing a single model instance across threads
from threading import Thread

from ultralytics import YOLO

# Instantiate the model outside the thread
shared_model = YOLO("yolo26n.pt")

def predict(image_path):
    """Predicts objects in an image using a preloaded YOLO model, take path string to image as argument."""
    results = shared_model.predict(image_path)
    # Process results

# Starting threads that share the same model instance
Thread(target=predict, args=("image1.jpg",)).start()
Thread(target=predict, args=("image2.jpg",)).start()

Dans l’exemple ci-dessus, shared_model est utilisé par plusieurs threads, ce qui peut produire des résultats imprévisibles, car predict peut être exécuté simultanément par plusieurs threads.

Exemple sûr : une instance dédiée par thread#

Plusieurs instances de modèle distinctes conviennent tant que chaque thread possède sa propre instance et ne la partage jamais avec un autre thread. Peu importe que les instances ci-dessous soient créées avant le démarrage des threads : le seul modèle non sûr consiste à partager une instance entre plusieurs threads :

# Safe: each thread uses its own dedicated model instance
from threading import Thread

from ultralytics import YOLO

# Instantiate one model per thread
model_1 = YOLO("yolo26n.pt")
model_2 = YOLO("yolo26n.pt")

def predict(model, image_path):
    """Runs prediction on an image using a specified YOLO model, returning the results."""
    results = model.predict(image_path)
    # Process results

# Each thread uses a separate, dedicated model instance
Thread(target=predict, args=(model_1, "image1.jpg")).start()
Thread(target=predict, args=(model_2, "image2.jpg")).start()

Comme chaque thread utilise sa propre instance dédiée, aucun état de modèle partagé ne peut être corrompu par les threads. Instancier le modèle dans chaque thread, comme indiqué ensuite, est simplement le moyen le plus facile de garantir qu’une instance ne soit jamais partagée accidentellement.

Inférence thread-safe#

Pour effectuer une inférence thread-safe, tu dois instancier un modèle YOLO distinct dans chaque thread. Ainsi, chaque thread dispose de sa propre instance de modèle isolée, ce qui élimine le risque de conditions de concurrence.

Exemple thread-safe#

Voici comment instancier un modèle YOLO dans chaque thread pour effectuer une inférence parallèle en toute sécurité :

# Safe: Instantiating a single model inside each thread
from threading import Thread

from ultralytics import YOLO

def thread_safe_predict(image_path):
    """Predict on an image using a new YOLO model instance in a thread-safe manner; takes image path as input."""
    local_model = YOLO("yolo26n.pt")
    results = local_model.predict(image_path)
    # Process results

# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()

Dans cet exemple, chaque thread crée sa propre instance YOLO. Cela empêche tout thread d’interférer avec l’état du modèle d’un autre thread et garantit ainsi que chaque thread effectue l’inférence en toute sécurité, sans interactions inattendues avec les autres threads.

Utiliser le décorateur ThreadingLocked#

Ultralytics fournit un décorateur ThreadingLocked qui peut être utilisé pour garantir l’exécution thread-safe des fonctions. Ce décorateur utilise un verrou afin qu’un seul thread à la fois puisse exécuter la fonction décorée.

from ultralytics import YOLO
from ultralytics.utils import ThreadingLocked

# Create a model instance
model = YOLO("yolo26n.pt")

# Decorate the prediction function to make it thread-safe
@ThreadingLocked()
def thread_safe_predict(image_path):
    """Thread-safe prediction using a shared model instance."""
    results = model.predict(image_path)
    return results

# Now you can safely call this function from multiple threads

Le décorateur ThreadingLocked est particulièrement utile lorsque tu dois partager une instance de modèle entre plusieurs threads tout en garantissant qu’un seul thread puisse y accéder à la fois.

Conclusion#

Lorsque tu utilises des modèles YOLO avec threading de Python, attribue à chaque thread sa propre instance de modèle dédiée et ne partage jamais une instance entre plusieurs threads. Instancier le modèle dans le thread qui l’utilise est le moyen le plus simple de garantir cela, d’éviter les conditions de concurrence et de maintenir la fiabilité de tes tâches d’inférence.

Pour les scénarios plus avancés et pour optimiser davantage les performances de ton inférence multithread, envisage d’utiliser le parallélisme basé sur les processus avec multiprocessing ou une file d’attente de tâches avec des processus workers dédiés.

FAQ#