YOLO 모델을 사용한 스레드 안전 추론

Q: What are the best practices for running multi-threaded YOLO model inference in Python?

python에서 다중 스레드 YOLO 모델 추론을 안전하게 실행하려면 다음 모범 사례를 따르십시오. 스레드 안전 모델 인스턴스화 예제: 추가 정보는 스레드 안전 추론 섹션을 참조하십시오.

Q: Is it safer to use process-based parallelism instead of threading for YOLO model inference?

예, Python의 multiprocessing 모듈을 사용하면 YOLO 모델 추론을 병렬로 실행하는 데 더 안전하고 효율적인 경우가 많습니다. 프로세스 기반 병렬 처리는 별도의 메모리 공간을 생성하여 GIL(Global Interpreter Lock)을 피하고 동시성 문제의 위험을 줄입니다. 각 프로세스는 자체 YOLO 모델 인스턴스로 독립적으로 작동합니다. YOLO 모델을 사용한 프로세스 기반 병렬 처리에 대한 자세한 내용은 스레드 안전 추론 페이지를 참조하십시오.

다중 스레드 환경에서 YOLO 모델을 실행하려면 스레드 안전성을 보장하기 위해 신중하게 고려해야 합니다. Python의 threading 모듈을 사용하면 여러 스레드를 동시에 실행할 수 있지만 이러한 스레드에서 YOLO 모델을 사용하는 경우 주의해야 할 중요한 안전 문제가 있습니다. 이 페이지에서는 스레드로부터 안전한 YOLO 모델 추론을 만드는 방법을 안내합니다.

참고: python에서 Ultralytics YOLO 모델을 사용하여 스레드로부터 안전한 추론을 수행하는 방법 | 멀티 스레딩 🚀

python 스레딩 이해

Python 스레드는 프로그램이 여러 작업을 동시에 실행할 수 있도록 하는 병렬 처리 형태입니다. 그러나 Python의 GIL(Global Interpreter Lock)은 한 번에 하나의 스레드만 Python 바이트코드를 실행할 수 있음을 의미합니다.

단일 vs 다중 스레드 예제

이것이 제한 사항처럼 들릴 수 있지만 스레드는 특히 I/O 바운드 작업이나 YOLO의 기본 C 라이브러리에서 수행하는 작업과 같이 GIL을 해제하는 작업을 사용할 때 여전히 동시성을 제공할 수 있습니다.

공유 모델 인스턴스의 위험

스레드 외부에서 YOLO 모델을 인스턴스화하고 이 인스턴스를 여러 스레드에서 공유하면 경합 조건이 발생할 수 있습니다. 경합 조건은 동시 액세스로 인해 모델의 내부 상태가 일관성 없이 수정되는 현상입니다. 이는 모델 또는 해당 구성 요소가 스레드로부터 안전하도록 설계되지 않은 상태를 유지할 때 특히 문제가 됩니다.

Thread-Safe가 아닌 예: 단일 모델 인스턴스

python에서 스레드를 사용할 때는 동시성 문제를 일으킬 수 있는 패턴을 인식하는 것이 중요합니다. 여러 스레드에서 단일 YOLO 모델 인스턴스를 공유하는 것을 피해야 합니다.

# 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("yolo11n.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()

위의 예에서, shared_model 은(는) 여러 스레드에서 사용되므로 예측할 수 없는 결과가 발생할 수 있습니다. 왜냐하면 predict 여러 스레드에서 동시에 실행될 수 있습니다.

Thread-Safe가 아닌 예: 다중 모델 인스턴스

마찬가지로, 여기에 여러 YOLO 모델 인스턴스가 있는 안전하지 않은 패턴이 있습니다.

# Unsafe: Sharing multiple model instances across threads can still lead to issues
from threading import Thread

from ultralytics import YOLO

# Instantiate multiple models outside the thread
shared_model_1 = YOLO("yolo11n_1.pt")
shared_model_2 = YOLO("yolo11n_2.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


# Starting threads with individual model instances
Thread(target=predict, args=(shared_model_1, "image1.jpg")).start()
Thread(target=predict, args=(shared_model_2, "image2.jpg")).start()

두 개의 개별 모델 인스턴스가 있지만 동시성 문제가 발생할 위험은 여전히 존재합니다. 내부 구현이 YOLO 스레드로부터 안전하지 않으므로, 별도의 인스턴스를 사용하더라도 경합 상태를 방지하지 못할 수 있습니다. 특히 이러한 인스턴스가 스레드 로컬이 아닌 기본 리소스나 상태를 공유하는 경우 더욱 그렇습니다.

스레드 안전 추론

스레드로부터 안전한 추론을 수행하려면 각 스레드 내에서 별도의 YOLO 모델을 인스턴스화해야 합니다. 이렇게 하면 각 스레드가 자체적으로 격리된 모델 인스턴스를 갖게 되어 경쟁 조건의 위험이 제거됩니다.

스레드 안전 예제

다음은 안전한 병렬 추론을 위해 각 스레드 내부에 YOLO 모델을 인스턴스화하는 방법입니다.

# 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("yolo11n.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()

이 예제에서 각 스레드는 자체 스레드를 생성합니다. YOLO 인스턴스. 이는 스레드가 다른 스레드의 모델 상태를 방해하는 것을 방지하여 각 스레드가 다른 스레드와의 예기치 않은 상호 작용 없이 안전하게 추론을 수행하도록 보장합니다.

ThreadingLocked 데코레이터 사용

Ultralytics는 다음을 제공합니다. ThreadingLocked 함수의 스레드로부터 안전한 실행을 보장하는 데 사용할 수 있는 데코레이터입니다. 이 데코레이터는 잠금을 사용하여 한 번에 하나의 스레드만 데코레이트된 함수를 실행할 수 있도록 합니다.

from ultralytics import YOLO
from ultralytics.utils import ThreadingLocked

# Create a model instance
model = YOLO("yolo11n.pt")


# Decorate the predict method 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

에 지정되어 있습니다. ThreadingLocked 이 데코레이터는 여러 스레드에서 모델 인스턴스를 공유해야 하지만 한 번에 하나의 스레드만 액세스할 수 있도록 해야 할 때 특히 유용합니다. 이 접근 방식은 각 스레드에 대해 새 모델 인스턴스를 만드는 것보다 메모리를 절약할 수 있지만 스레드가 잠금 해제를 기다려야 하므로 동시성이 감소할 수 있습니다.

결론

python에서 YOLO 모델을 사용할 때 threading, 항상 스레드 안전을 보장하기 위해 모델을 사용할 스레드 내에서 인스턴스화하십시오. 이 방법은 경합 조건을 방지하고 추론 작업이 안정적으로 실행되도록 합니다.

더욱 발전된 시나리오의 경우, 멀티 스레드 추론 성능을 더욱 최적화하려면 multiprocessing을 사용한 프로세스 기반 병렬 처리를 사용하거나 전용 작업자 프로세스를 사용하여 작업 대기열을 활용하는 것을 고려하십시오.

FAQ

다중 스레드 python 환경에서 YOLO 모델을 사용할 때 race condition을 어떻게 피할 수 있습니까?

다중 스레드 python 환경에서 Ultralytics YOLO 모델을 사용할 때 경합 조건을 방지하려면 각 스레드 내에서 별도의 YOLO 모델을 인스턴스화하십시오. 이렇게 하면 각 스레드가 자체적으로 격리된 모델 인스턴스를 갖게 되어 모델 상태의 동시 수정이 방지됩니다.

예시:

from threading import Thread

from ultralytics import YOLO


def thread_safe_predict(image_path):
    """Predict on an image in a thread-safe manner."""
    local_model = YOLO("yolo11n.pt")
    results = local_model.predict(image_path)
    # Process results


Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()

스레드 안전성 보장에 대한 자세한 내용은 YOLO 모델을 사용한 스레드 안전 추론을 참조하세요.

python에서 멀티 스레드 YOLO 모델 추론을 실행하기 위한 최상의 방법은 무엇인가요?

python에서 다중 스레드 YOLO 모델 추론을 안전하게 실행하려면 다음 모범 사례를 따르십시오.

단일 모델 인스턴스를 스레드 간에 공유하는 대신 각 스레드 내에서 YOLO 모델을 인스턴스화하십시오.
python의 사용 multiprocessing 모듈을 사용하여 병렬 처리를 수행하여 GIL(Global Interpreter Lock) 관련 문제를 방지합니다.
YOLO의 기본 C 라이브러리에서 수행하는 작업을 사용하여 GIL을 해제합니다.
다음을 사용하는 것을 고려하십시오. ThreadingLocked 메모리가 중요한 경우 공유 모델 인스턴스를 위한 데코레이터입니다.

스레드로부터 안전한 모델 인스턴스화 예시:

from threading import Thread

from ultralytics import YOLO


def thread_safe_predict(image_path):
    """Runs inference in a thread-safe manner with a new YOLO model instance."""
    model = YOLO("yolo11n.pt")
    results = model.predict(image_path)
    # Process results


# Initiate multiple threads
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()

추가 정보는 스레드 안전 추론 섹션을 참조하십시오.

각 스레드가 자체 YOLO 모델 인스턴스를 가져야 하는 이유는 무엇인가요?

각 스레드는 경합 조건을 방지하기 위해 자체 YOLO 모델 인스턴스를 가져야 합니다. 단일 모델 인스턴스가 여러 스레드 간에 공유되면 동시 액세스로 인해 예측할 수 없는 동작이 발생하고 모델의 내부 상태가 수정될 수 있습니다. 별도의 인스턴스를 사용하면 스레드 격리가 보장되어 다중 스레드 작업이 안정적이고 안전해집니다.

자세한 내용은 스레드로부터 안전하지 않은 예제: 단일 모델 인스턴스 및 스레드로부터 안전한 예제 섹션을 확인하십시오.

python의 GIL(Global Interpreter Lock)은 YOLO 모델 추론에 어떤 영향을 미치나요?

Python의 GIL(Global Interpreter Lock)은 한 번에 하나의 스레드만 Python 바이트코드를 실행할 수 있도록 하여 CPU 바운드 멀티 스레딩 작업의 성능을 제한할 수 있습니다. 그러나 I/O 바운드 작업이나 YOLO의 기본 C 라이브러리와 같이 GIL을 해제하는 라이브러리를 사용하는 프로세스의 경우에도 동시성을 달성할 수 있습니다. 성능 향상을 위해 Python의 multiprocessing 모듈.

python 스레딩에 대한 자세한 내용은 Understanding Python Threading 섹션을 참조하세요.

YOLO 모델 추론에 스레딩 대신 프로세스 기반 병렬 처리를 사용하는 것이 더 안전합니까?

예, Python의 multiprocessing 모듈은 병렬로 YOLO 모델 추론을 실행하는 데 더 안전하고 종종 더 효율적입니다. 프로세스 기반 병렬 처리는 별도의 메모리 공간을 생성하여 GIL(Global Interpreter Lock)을 방지하고 동시성 문제의 위험을 줄입니다. 각 프로세스는 자체 YOLO 모델 인스턴스와 독립적으로 작동합니다.

YOLO 모델을 사용한 프로세스 기반 병렬 처리에 대한 자세한 내용은 스레드로부터 안전한 추론 페이지를 참조하십시오.

📅 1년 전에 생성됨 ✏️ 3개월 전에 업데이트됨