Редактировать страницу на GitHub (EN)

Triton Inference Server с Ultralytics YOLO26

Triton Inference Server (ранее известный как TensorRT Inference Server) — это программное решение с открытым исходным кодом, разработанное NVIDIA. Он предоставляет облачное решение для инференса, оптимизированное для графических процессоров NVIDIA. Triton упрощает развертывание моделей ИИ в промышленном масштабе. Интеграция Ultralytics YOLO26 с Triton Inference Server позволяет развертывать масштабируемые высокопроизводительные рабочие нагрузки глубинного обучения. В этом руководстве описаны шаги по настройке и тестированию интеграции.



Watch: Getting Started with NVIDIA Triton Inference Server.

Что такое Triton Inference Server?

Triton Inference Server предназначен для развертывания различных моделей ИИ в промышленной среде. Он поддерживает широкий спектр сред глубинного обучения и машинного обучения, включая PyTorch, TensorFlow, ONNX, OpenVINO, TensorRT и многие другие. Его основные варианты использования:

  • Обслуживание нескольких моделей с одного экземпляра сервера
  • Динамическая загрузка и выгрузка моделей без перезапуска сервера
  • Ансамблевый инференс, позволяющий использовать несколько моделей вместе для достижения результатов
  • Версионирование моделей для A/B-тестирования и постепенных обновлений

Ключевые преимущества Triton Inference Server

Использование Triton Inference Server с Ultralytics YOLO26 дает несколько преимуществ:

  • Автоматическое пакетирование (Automatic batching): группирует несколько запросов к ИИ перед их обработкой, сокращая задержку и повышая скорость инференса
  • Интеграция с Kubernetes: облачно-ориентированный дизайн отлично работает с Kubernetes для управления и масштабирования приложений ИИ
  • Оптимизации под конкретное оборудование: полностью использует потенциал GPU NVIDIA для максимальной производительности
  • Гибкость сред: поддерживает множество сред ИИ, включая PyTorch, TensorFlow, ONNX, OpenVINO и TensorRT
  • Открытый исходный код и возможность настройки: можно модифицировать под конкретные нужды, обеспечивая гибкость для различных ИИ-приложений

Предварительные требования

Перед началом убедись, что у тебя выполнены следующие предварительные требования:

  • Установлены Docker или Podman на твоей машине
  • Установи ultralytics: 
    pip install ultralytics
  • Установи tritonclient: 
    pip install tritonclient[all]

Настройка Triton Inference Server

Запусти этот полный блок настройки для экспорта Ultralytics YOLO26 в ONNX, сборки репозитория моделей Triton и запуска Triton Inference Server:

Примечание

Используй переключатель runtime в скрипте для выбора движка контейнеров:

  • Установи runtime = "docker" для Docker
  • Установи runtime = "podman" для Podman
import contextlib
import subprocess
import time
from pathlib import Path

from tritonclient.http import InferenceServerClient

from ultralytics import YOLO

runtime = "docker"  # set to "podman" to use Podman

# 1) Exporting YOLO26 to ONNX Format

# Load a model
model = YOLO("yolo26n.pt")  # load an official model

# Retrieve metadata during export. Metadata needs to be added to config.pbtxt. See next section.
metadata = []

def export_cb(exporter):
    metadata.append(exporter.metadata)

model.add_callback("on_export_end", export_cb)

# Export the model
onnx_file = model.export(format="onnx", dynamic=True)

# 2) Setting Up Triton Model Repository

# Define paths
model_name = "yolo"
triton_repo_path = Path("tmp") / "triton_repo"
triton_model_path = triton_repo_path / model_name

# Create directories
(triton_model_path / "1").mkdir(parents=True, exist_ok=True)

# Move ONNX model to Triton Model path
Path(onnx_file).rename(triton_model_path / "1" / "model.onnx")

# Create config file
(triton_model_path / "config.pbtxt").touch()

data = """
# Add metadata
parameters {
  key: "metadata"
  value {
    string_value: "%s"
  }
}

# (Optional) Enable TensorRT for GPU inference
# First run will be slow due to TensorRT engine conversion
optimization {
  execution_accelerators {
    gpu_execution_accelerator {
      name: "tensorrt"
      parameters {
        key: "precision_mode"
        value: "FP16"
      }
      parameters {
        key: "max_workspace_size_bytes"
        value: "3221225472"
      }
      parameters {
        key: "trt_engine_cache_enable"
        value: "1"
      }
      parameters {
        key: "trt_engine_cache_path"
        value: "/models/yolo/1"
      }
    }
  }
}
""" % metadata[0]  # noqa

with open(triton_model_path / "config.pbtxt", "w") as f:
    f.write(data)

# 3) Running Triton Inference Server

# Define image https://catalog.ngc.nvidia.com/orgs/nvidia/containers/tritonserver
tag = "nvcr.io/nvidia/tritonserver:26.02-py3"  # 16.17 GB (Compressed Size)

subprocess.call(f"{runtime} pull {tag}", shell=True)

# GPU flags differ between Docker and Podman
gpu_flags = "--device nvidia.com/gpu=all" if runtime == "podman" else "--runtime=nvidia --gpus all"

container_name = "triton_server"

# Note: The :z flag on the volume mount is necessary for systems with SELinux (like Fedora/RHEL)
subprocess.call(
    f"{runtime} run -d --rm --name {container_name} {gpu_flags} -v {triton_repo_path.absolute()}:/models:z -p 8000:8000 {tag} tritonserver --model-repository=/models",
    shell=True,
)

# Wait for the Triton server to start
triton_client = InferenceServerClient(url="127.0.0.1:8000", verbose=False, ssl=False)

# Wait until model is ready
for _ in range(10):
    with contextlib.suppress(Exception):
        assert triton_client.is_model_ready(model_name)
        break
    time.sleep(1)

Запуск инференса

Запусти инференс, используя модель Triton Server:

from ultralytics import YOLO

# Load the Triton Server model
model = YOLO("http://127.0.0.1:8000/yolo", task="detect")

# Run inference on the server
results = model("path/to/image.jpg")

Очисти контейнер (runtime и container_name определены в блоке настройки выше):

import subprocess

runtime = "docker"  # set to "podman" to use Podman
container_name = "triton_server"  # Kill the named container
subprocess.call(f"{runtime} kill {container_name}", shell=True)

Оптимизация TensorRT (опционально)

Для еще большей производительности ты можешь использовать TensorRT с Triton Inference Server. TensorRT — это высокопроизводительный оптимизатор глубинного обучения, созданный специально для GPU NVIDIA, который может значительно увеличить скорость инференса.

Ключевые преимущества использования TensorRT с Triton включают:

  • До 36 раз более быстрый инференс по сравнению с неоптимизированными моделями
  • Оптимизация под конкретное оборудование для максимальной загрузки GPU
  • Поддержка форматов с пониженной точностью (INT8, FP16) при сохранении точности
  • Слияние слоев (Layer fusion) для уменьшения вычислительных накладных расходов

Чтобы использовать TensorRT напрямую, ты можешь экспортировать свою модель Ultralytics YOLO26 в формат TensorRT:

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TensorRT format
model.export(format="engine")  # creates 'yolo26n.engine'

Для получения дополнительной информации об оптимизации TensorRT см. руководство по интеграции TensorRT.

Следуя описанным выше шагам, ты сможешь эффективно развертывать и запускать модели Ultralytics YOLO26 на Triton Inference Server, получая масштабируемое высокопроизводительное решение для задач инференса глубинного обучения. Если ты столкнешься с какими-либо проблемами или у тебя возникнут дополнительные вопросы, обратись к официальной документации Triton или обратись в сообщество Ultralytics за поддержкой.

Часто задаваемые вопросы (FAQ)

Как мне настроить Ultralytics YOLO26 с NVIDIA Triton Inference Server?

Настройка Ultralytics YOLO26 с NVIDIA Triton Inference Server включает несколько ключевых этапов:

  1. Экспорт YOLO26 в формат ONNX:

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model

# Export the model to ONNX format
onnx_file = model.export(format="onnx", dynamic=True)

  2. Настройка репозитория моделей Triton:

    from pathlib import Path

# Define paths
model_name = "yolo"
triton_repo_path = Path("tmp") / "triton_repo"
triton_model_path = triton_repo_path / model_name

# Create directories
(triton_model_path / "1").mkdir(parents=True, exist_ok=True)
Path(onnx_file).rename(triton_model_path / "1" / "model.onnx")
(triton_model_path / "config.pbtxt").touch()

  3. Запуск сервера Triton:

    import contextlib
import subprocess
import time

from tritonclient.http import InferenceServerClient

# Define image https://catalog.ngc.nvidia.com/orgs/nvidia/containers/tritonserver
tag = "nvcr.io/nvidia/tritonserver:26.02-py3"

runtime = "docker"  # set to "podman" to use Podman
subprocess.call(f"{runtime} pull {tag}", shell=True)

# GPU flags differ between Docker and Podman
gpu_flags = "--device nvidia.com/gpu=all" if runtime == "podman" else "--runtime=nvidia --gpus all"

container_name = "triton_server"
subprocess.call(
    f"{runtime} run -d --rm --name {container_name} {gpu_flags} -v {triton_repo_path.absolute()}:/models:z -p 8000:8000 {tag} tritonserver --model-repository=/models",
    shell=True,
)

triton_client = InferenceServerClient(url="127.0.0.1:8000", verbose=False, ssl=False)

for _ in range(10):
    with contextlib.suppress(Exception):
        assert triton_client.is_model_ready(model_name)
        break
    time.sleep(1)

Эта настройка поможет тебе эффективно развертывать модели Ultralytics YOLO26 в масштабе на Triton Inference Server для высокопроизводительного инференса ИИ-моделей.

Какие преимущества дает использование Ultralytics YOLO26 с NVIDIA Triton Inference Server?

Интеграция Ultralytics YOLO26 с NVIDIA Triton Inference Server предоставляет несколько преимуществ:

  • Масштабируемый инференс ИИ: Triton позволяет обслуживать несколько моделей с одного экземпляра сервера, поддерживает динамическую загрузку и выгрузку моделей, что делает его легко масштабируемым для различных рабочих нагрузок ИИ.
  • Высокая производительность: Triton Inference Server, оптимизированный для GPU NVIDIA, обеспечивает высокоскоростные операции инференса, идеально подходящие для приложений реального времени, таких как детектирование объектов.
  • Ансамбли и версионирование моделей: режим ансамблей Triton позволяет комбинировать несколько моделей для улучшения результатов, а версионирование моделей поддерживает A/B-тестирование и постепенные обновления.
  • Автоматическое пакетирование: Triton автоматически группирует несколько запросов инференса, значительно повышая пропускную способность и уменьшая задержки.
  • Упрощенное развертывание: постепенная оптимизация рабочих процессов ИИ без необходимости полной переработки системы, что упрощает эффективное масштабирование.

Подробные инструкции по настройке и запуску Ultralytics YOLO26 с Triton см. в разделах Настройка Triton Inference Server и Запуск инференса.

Почему мне следует экспортировать мою модель YOLO26 в формат ONNX перед использованием Triton Inference Server?

Использование формата ONNX (Open Neural Network Exchange) для твоей модели Ultralytics YOLO26 перед развертыванием на NVIDIA Triton Inference Server дает несколько ключевых преимуществ:

  • Взаимозаменяемость: формат ONNX поддерживает перенос между различными средами глубинного обучения (такими как PyTorch, TensorFlow), обеспечивая более широкую совместимость.
  • Оптимизация: многие среды развертывания, включая Triton, оптимизированы для ONNX, что позволяет ускорить инференс и повысить производительность.
  • Простота развертывания: ONNX широко поддерживается в различных средах и на различных платформах, что упрощает процесс развертывания в разных операционных системах и конфигурациях оборудования.
  • Независимость от среды: после преобразования в ONNX твоя модель больше не привязана к своей исходной среде, что делает ее более переносимой.
  • Стандартизация: ONNX предоставляет стандартизированное представление, которое помогает преодолеть проблемы совместимости между различными средами ИИ.

Чтобы экспортировать свою модель, используй:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
onnx_file = model.export(format="onnx", dynamic=True)

Ты можешь выполнить шаги, описанные в руководстве по интеграции ONNX, чтобы завершить процесс.

Могу ли я запускать инференс с использованием модели Ultralytics YOLO26 на Triton Inference Server?

Да, ты можешь запускать инференс, используя модель Ultralytics YOLO26 на NVIDIA Triton Inference Server. Как только твоя модель будет настроена в репозитории моделей Triton и сервер будет запущен, ты сможешь загрузить и запустить инференс на своей модели следующим образом:

from ultralytics import YOLO

# Load the Triton Server model
model = YOLO("http://127.0.0.1:8000/yolo", task="detect")

# Run inference on the server
results = model("path/to/image.jpg")

Этот подход позволяет использовать оптимизации Triton, сохраняя привычный интерфейс Ultralytics YOLO.

Как Ultralytics YOLO26 соотносится с моделями TensorFlow и PyTorch для развертывания?

Ultralytics YOLO26 предлагает несколько уникальных преимуществ по сравнению с моделями TensorFlow и PyTorch для развертывания:

  • Производительность в реальном времени: оптимизированная для задач детектирования объектов в реальном времени, Ultralytics YOLO26 обеспечивает передовую точность и скорость, что делает ее идеальной для приложений, требующих анализа видео в прямом эфире.
  • Простота использования: Ultralytics YOLO26 легко интегрируется с Triton Inference Server и поддерживает различные форматы экспорта (ONNX, TensorRT), что делает ее гибкой для различных сценариев развертывания.
  • Расширенные функции: Ultralytics YOLO26 включает такие функции, как динамическая загрузка моделей, версионирование моделей и ансамблевый инференс, которые критически важны для масштабируемых и надежных развертываний ИИ.
  • Упрощенный API: API Ultralytics предоставляет согласованный интерфейс для различных целей развертывания, снижая порог входа и время разработки.
  • Оптимизация для Edge: модели Ultralytics YOLO26 разработаны с учетом развертывания на периферийных устройствах (Edge), обеспечивая отличную производительность даже на устройствах с ограниченными ресурсами.

Для получения более подробной информации сравни варианты развертывания в руководстве по экспорту моделей.

Contributors
Редактировать страницу на GitHub (EN)
GLglenn-jocher17Y-Y-T-G4ONonuralpszr2LEleonnil1

Комментарии