Neural Magic의 DeepSparse로 YOLOv5 배포하기
소프트웨어 중심 AI의 세계에 오신 것을 환영합니다.
이 가이드에서는 Neural Magic의 DeepSparse를 사용하여 YOLOv5를 배포하는 방법을 설명합니다.
DeepSparse는 CPU에서 탁월한 성능을 제공하는 추론 런타임입니다. 예를 들어, ONNX Runtime 기준선과 비교했을 때 DeepSparse는 동일한 머신에서 실행되는 YOLOv5s에 대해 5.8배의 속도 향상을 제공합니다!
이제 하드웨어 가속기의 복잡성과 비용 없이도 딥러닝 워크로드가 프로덕션 성능 요구 사항을 충족할 수 있습니다. 간단히 말해, DeepSparse는 GPU 수준의 성능과 소프트웨어의 단순함을 제공합니다:
- 유연한 배포: Intel부터 AMD, ARM에 이르기까지 모든 하드웨어 공급업체를 사용하여 클라우드, 데이터 센터 및 엣지 환경에서 일관되게 실행할 수 있습니다.
- 무한한 확장성: 수백 개의 코어로 수직 확장하거나, 표준 Kubernetes를 사용하여 외부로 확장하거나, 서버리스(Serverless)를 통해 완전히 추상화할 수 있습니다.
- 간편한 통합: 모델을 애플리케이션에 통합하고 프로덕션 환경에서 모니터링하기 위한 깔끔한 API를 제공합니다.
DeepSparse는 어떻게 GPU급 성능을 달성합니까?
DeepSparse는 모델의 희소성(sparsity)을 활용하여 성능 향상을 얻습니다.
가지치기(pruning) 및 양자화(quantization)를 통한 희소화는 광범위하게 연구된 기술로, 높은 정확도를 유지하면서 네트워크 실행에 필요한 크기와 연산량을 획기적으로 줄여줍니다. DeepSparse는 희소성을 인식하여 0인 매개변수를 건너뛰므로 순전파 과정에서 연산량을 줄입니다. 희소 연산이 메모리 제한적이기 때문에 DeepSparse는 네트워크를 깊이별로 실행하며, 캐시에 적합한 연산의 수직 줄인 텐서 컬럼(Tensor Columns)으로 문제를 분할합니다.
캐시 내에서 깊이별로 실행되는 압축 연산을 갖춘 희소 네트워크를 통해 DeepSparse는 CPU에서 GPU급 성능을 제공할 수 있습니다!
내 데이터로 학습된 YOLOv5의 희소 버전은 어떻게 만드나요?
Neural Magic의 오픈 소스 모델 저장소인 SparseZoo에는 각 YOLOv5 모델의 미리 희소화된 체크포인트가 포함되어 있습니다. Ultralytics와 통합된 SparseML을 사용하면 단일 CLI 명령어로 희소 체크포인트를 내 데이터에 맞춰 파인튜닝할 수 있습니다.
더 자세한 내용은 Neural Magic의 YOLOv5 문서를 확인하세요.
DeepSparse 사용법
DeepSparse를 사용하여 YOLOv5s의 희소 버전을 벤치마킹하고 배포하는 예제를 살펴보겠습니다.
DeepSparse 설치
DeepSparse를 설치하려면 다음을 실행하십시오. Python 가상 환경을 사용하는 것을 권장합니다.
pip install "deepsparse[server,yolo,onnxruntime]"ONNX 파일 수집
DeepSparse는 다음 중 하나로 전달된 ONNX 형식의 모델을 허용합니다:
- SparseZoo에서 ONNX 파일을 식별하는 SparseZoo 스텁
- 파일 시스템 내의 ONNX 모델에 대한 로컬 경로
아래 예제에서는 다음 SparseZoo 스텁으로 식별되는 표준 밀집(dense) 및 가지치기-양자화된(pruned-quantized) YOLOv5s 체크포인트를 사용합니다:
zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none
zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none모델 배포
DeepSparse는 모델을 애플리케이션에 통합하기 위한 편리한 API를 제공합니다.
아래 배포 예제를 시도하려면 샘플 이미지를 다운로드하여 다음 명령어로 basilica.jpg로 저장하십시오:
wget -O basilica.jpg https://raw.githubusercontent.com/neuralmagic/deepsparse/main/src/deepsparse/yolo/sample_images/basilica.jpgPython API
Pipelines는 런타임 전후로 전처리 및 출력 후처리를 래핑하여 DeepSparse를 애플리케이션에 추가하기 위한 깔끔한 인터페이스를 제공합니다. DeepSparse-Ultralytics 통합에는 원시 이미지를 받아 바운딩 박스를 출력하는 즉시 사용 가능한 Pipeline이 포함되어 있습니다.
Pipeline을 생성하고 추론을 실행합니다:
from deepsparse import Pipeline
# list of images in local filesystem
images = ["basilica.jpg"]
# create Pipeline
model_stub = "zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none"
yolo_pipeline = Pipeline.create(
task="yolo",
model_path=model_stub,
)
# run inference on images, receive bounding boxes + classes
pipeline_outputs = yolo_pipeline(images=images, iou_thres=0.6, conf_thres=0.001)
print(pipeline_outputs)클라우드에서 실행 중인 경우 OpenCV가 libGL.so.1을 찾을 수 없다는 오류가 발생할 수 있습니다. 누락된 라이브러리를 설치하거나:
apt-get install libgl1또는 GUI 의존성을 완전히 제거한 headless Ultralytics 패키지를 사용하십시오:
pip install ultralytics-opencv-headlessHTTP 서버
DeepSparse Server는 널리 사용되는 FastAPI 웹 프레임워크와 Uvicorn 웹 서버 위에서 실행됩니다. 단일 CLI 명령어로 DeepSparse를 사용하는 모델 서비스 엔드포인트를 쉽게 설정할 수 있습니다. 서버는 YOLOv5를 이용한 객체 탐지를 포함하여 DeepSparse의 모든 Pipeline을 지원하며, 이를 통해 원시 이미지를 엔드포인트로 보내고 바운딩 박스를 수신할 수 있습니다.
가지치기-양자화된 YOLOv5s로 서버를 가동합니다:
deepsparse.server \
--task yolo \
--model_path zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-nonePython의 requests 패키지를 사용한 요청 예제입니다:
import json
import requests
# list of images for inference (local files on client side)
path = ["basilica.jpg"]
files = [("request", open(img, "rb")) for img in path]
# send request over HTTP to /predict/from_files endpoint
url = "http://0.0.0.0:5543/predict/from_files"
resp = requests.post(url=url, files=files)
# response is returned in JSON
annotations = json.loads(resp.text) # dictionary of annotation results
bounding_boxes = annotations["boxes"]
labels = annotations["labels"]Annotate CLI
또한 annotate 명령어를 사용하여 엔진이 주석이 달린 사진을 디스크에 저장하도록 할 수 있습니다. --source 0을 사용하여 실시간 웹캠 피드에 주석을 달아보십시오!
deepsparse.object_detection.annotate --model_filepath zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none --source basilica.jpg위 명령어를 실행하면 annotation-results 폴더가 생성되고 그 안에 주석이 달린 이미지가 저장됩니다.
성능 벤치마킹
DeepSparse의 벤치마킹 스크립트를 사용하여 YOLOv5s에서 DeepSparse의 처리량(throughput)과 ONNX Runtime의 처리량을 비교하겠습니다.
벤치마크는 AWS c6i.8xlarge 인스턴스(16코어)에서 실행되었습니다.
배치 32 성능 비교
ONNX Runtime 기준선
배치 32에서 ONNX Runtime은 표준 밀집 YOLOv5s로 초당 42개의 이미지를 처리합니다:
deepsparse.benchmark zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none -s sync -b 32 -nstreams 1 -e onnxruntime
# Original Model Path: zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none
# Batch Size: 32
# Scenario: sync
# Throughput (items/sec): 41.9025DeepSparse 밀집 성능
DeepSparse는 최적화된 희소 모델에서 최고의 성능을 제공하지만, 표준 밀집 YOLOv5s에서도 좋은 성능을 발휘합니다.
배치 32에서 DeepSparse는 표준 밀집 YOLOv5s로 초당 70개의 이미지를 처리하며, 이는 ORT 대비 1.7배 성능 향상입니다!
deepsparse.benchmark zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none -s sync -b 32 -nstreams 1
# Original Model Path: zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none
# Batch Size: 32
# Scenario: sync
# Throughput (items/sec): 69.5546DeepSparse 희소 성능
모델에 희소성이 적용되면 ONNX Runtime에 대한 DeepSparse의 성능 이점이 더욱 강력해집니다.
배치 32에서 DeepSparse는 가지치기-양자화된 YOLOv5s로 초당 241개의 이미지를 처리하며, 이는 ORT 대비 5.8배 성능 향상입니다!
deepsparse.benchmark zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none -s sync -b 32 -nstreams 1
# Original Model Path: zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none
# Batch Size: 32
# Scenario: sync
# Throughput (items/sec): 241.2452배치 1 성능 비교
DeepSparse는 지연 시간에 민감한 배치 1 시나리오에서도 ONNX Runtime보다 속도 향상을 얻을 수 있습니다.
ONNX Runtime 기준선
배치 1에서 ONNX Runtime은 표준 밀집 YOLOv5s로 초당 48개의 이미지를 처리합니다.
deepsparse.benchmark zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none -s sync -b 1 -nstreams 1 -e onnxruntime
# Original Model Path: zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/base-none
# Batch Size: 1
# Scenario: sync
# Throughput (items/sec): 48.0921DeepSparse 희소 성능
배치 1에서 DeepSparse는 가지치기-양자화된 YOLOv5s로 초당 135개의 항목을 처리하며, ONNX Runtime 대비 2.8배 성능 향상입니다!
deepsparse.benchmark zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none -s sync -b 1 -nstreams 1
# Original Model Path: zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned65_quant-none
# Batch Size: 1
# Scenario: sync
# Throughput (items/sec): 134.9468c6i.8xlarge 인스턴스는 VNNI 명령어를 가지고 있으므로, 가중치가 4개 블록으로 가지치기된 경우 DeepSparse의 처리량을 더 높일 수 있습니다.
배치 1에서 DeepSparse는 4개 블록 가지치기-양자화된 YOLOv5s로 초당 180개의 항목을 처리하며, 이는 ONNX Runtime 대비 3.7배 성능 향상입니다!
deepsparse.benchmark zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned35_quant-none-vnni -s sync -b 1 -nstreams 1
# Original Model Path: zoo:cv/detection/yolov5-s/pytorch/ultralytics/coco/pruned35_quant-none-vnni
# Batch Size: 1
# Scenario: sync
# Throughput (items/sec): 179.7375DeepSparse 시작하기
연구 또는 테스트용인가요? DeepSparse Community는 연구 및 테스트 목적으로 무료입니다. 문서에서 시작하세요.
DeepSparse를 사용하여 YOLOv5를 배포하는 방법에 대한 자세한 내용은 Neural Magic의 DeepSparse 문서와 DeepSparse 통합에 관한 Ultralytics 블로그 게시물을 확인하십시오.