TensorRT Export for YOLO11 Models

Для развертывания моделей компьютерного зрения в высокопроизводительных средах может потребоваться формат, обеспечивающий максимальную скорость и эффективность. Это особенно актуально при развертывании модели на графических процессорах NVIDIA .

By using the TensorRT export format, you can enhance your Ultralytics YOLO11 models for swift and efficient inference on NVIDIA hardware. This guide will give you easy-to-follow steps for the conversion process and help you make the most of NVIDIA's advanced technology in your deep learning projects.

TensorRT

TensorRTразработанный компанией NVIDIA, представляет собой расширенный набор средств разработки программного обеспечения (SDK), предназначенный для высокоскоростного глубокого обучения выводам. Он хорошо подходит для приложений реального времени, таких как обнаружение объектов.

Этот инструментарий оптимизирует модели глубокого обучения для графических процессоров NVIDIA и обеспечивает более быструю и эффективную работу. Модели TensorRT подвергаются оптимизации TensorRT , которая включает такие техники, как слияние слоев, калибровка точности (INT8 и FP16), динамическое управление памятью tensor и автонастройка ядра. Преобразование моделей глубокого обучения в формат TensorRT позволяет разработчикам в полной мере реализовать потенциал NVIDIA GPU.

TensorRT известен своей совместимостью с различными форматами моделей, включая TensorFlow, PyTorch, и ONNX, предоставляя разработчикам гибкое решение для интеграции и оптимизации моделей из различных фреймворков. Такая универсальность позволяет эффективно развертывать модели в различных аппаратных и программных средах.

Ключевые особенности моделей TensorRT

TensorRT Модели обладают рядом ключевых особенностей, которые способствуют их эффективности и результативности в высокоскоростном глубоком обучении:

• Точная калибровка: TensorRT поддерживает точную калибровку, позволяя настраивать модели в соответствии с конкретными требованиями к точности. В том числе поддерживаются форматы пониженной точности, такие как INT8 и FP16, что позволяет еще больше увеличить скорость вычислений при сохранении приемлемого уровня точности.

• Слияние слоев: Процесс оптимизации TensorRT включает в себя объединение слоев, когда несколько слоев нейронной сети объединяются в одну операцию. Это снижает вычислительные затраты и повышает скорость вывода за счет минимизации доступа к памяти и вычислений.

• Динамическое управление памятью Tensor : TensorRT эффективно управляет использованием памяти tensor во время вывода, сокращая накладные расходы памяти и оптимизируя ее выделение. Это приводит к более эффективному использованию памяти GPU .

• Automatic Kernel Tuning: TensorRT applies automatic kernel tuning to select the most optimized GPU kernel for each layer of the model. This adaptive approach ensures that the model takes full advantage of the GPUs computational power.

Варианты развертывания в TensorRT

Before we look at the code for exporting YOLO11 models to the TensorRT format, let's understand where TensorRT models are normally used.

TensorRT Предлагается несколько вариантов развертывания, и в каждом из них по-разному сочетаются простота интеграции, оптимизация производительности и гибкость:

• Развертывание внутри TensorFlow: Этот метод интегрирует TensorRT в TensorFlow, позволяя оптимизированным моделям работать в знакомой среде TensorFlow . Это полезно для моделей со смесью поддерживаемых и неподдерживаемых слоев, так как TF-TRT может эффективно обрабатывать их.

• Автономный TensorRT Runtime API: Обеспечивает гранулярный контроль, идеально подходит для приложений, критичных к производительности. Он более сложен, но позволяет реализовать неподдерживаемые операторы.

• NVIDIA Triton Сервер выводов: Вариант, поддерживающий модели из различных фреймворков. Он особенно подходит для облачных или пограничных выводов и предоставляет такие возможности, как одновременное выполнение моделей и их анализ.

Exporting YOLO11 Models to TensorRT

You can improve execution efficiency and optimize performance by converting YOLO11 models to TensorRT format.

Установка

Чтобы установить необходимый пакет, выполните команду:

# Install the required package for YOLO11
pip install ultralytics

Для получения подробных инструкций и лучших практик, связанных с процессом установки, ознакомьтесь с нашим руководством по установкеYOLO11 . При установке необходимых пакетов для YOLO11, если вы столкнетесь с какими-либо трудностями, обратитесь к нашему руководству по общим проблемам, чтобы найти решения и советы.

Использование

Прежде чем приступить к изучению инструкции по эксплуатации, обязательно ознакомьтесь с ассортиментом моделейYOLO11 , предлагаемых компанией Ultralytics. Это поможет вам выбрать наиболее подходящую модель, соответствующую требованиям вашего проекта.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TensorRT format
model.export(format="engine")  # creates 'yolo11n.engine'

# Load the exported TensorRT model
tensorrt_model = YOLO("yolo11n.engine")

# Run inference
results = tensorrt_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to TensorRT format
yolo export model=yolo11n.pt format=engine  # creates 'yolo11n.engine''

# Run inference with the exported model
yolo predict model=yolo11n.engine source='https://ultralytics.com/images/bus.jpg'

Более подробную информацию о процессе экспорта можно найти на странице документацииUltralytics , посвященной экспорту.

Экспорт TensorRT с квантованием INT8

Экспорт моделей Ultralytics YOLO с помощью TensorRT с точностью INT8 выполняет квантование после обучения (PTQ). TensorRT использует калибровку для PTQ, которая измеряет распределение активаций внутри каждой активации tensor по мере того, как модель YOLO обрабатывает вывод на репрезентативных входных данных, а затем использует это распределение для оценки значений шкалы для каждой tensor. Каждая активация tensor , являющаяся кандидатом на квантование, имеет соответствующую шкалу, которая определяется в процессе калибровки.

При обработке сетей с неявным квантованием TensorRT использует INT8 оппортунистически для оптимизации времени выполнения слоя. Если слой работает быстрее в INT8 и имеет назначенные шкалы квантования на входах и выходах данных, то этому слою назначается ядро с точностью INT8, в противном случае TensorRT выбирает точность FP32 или FP16 для ядра, основываясь на том, что приводит к более быстрому времени выполнения для данного слоя.

Настройка экспорта INT8

Аргументы, предоставляемые при использовании экспорт для модели Ultralytics YOLO будет очень влияют на производительность экспортируемой модели. Их также необходимо выбирать в зависимости от доступных ресурсов устройства, однако аргументы по умолчанию следует работать для большинства Дискретные графические процессоры Ampere (или более новые) NVIDIA. Используется следующий алгоритм калибровки "ENTROPY_CALIBRATION_2" и вы можете прочитать более подробную информацию о доступных опциях в руководстве для разработчиков TensorRT .. Ultralytics тесты показали, что "ENTROPY_CALIBRATION_2" оказался наилучшим выбором, и экспортные поставки будут осуществляться именно по этому алгоритму.

• workspace : Управляет размером (в GiB) выделяемой памяти устройства при преобразовании весов модели.

  • Отрегулируйте workspace значение в соответствии с вашими потребностями в калибровке и доступностью ресурсов. Хотя большее workspace может увеличить время калибровки, но позволяет TensorRT исследовать более широкий спектр тактик оптимизации, потенциально повышая производительность модели и точность. И наоборот, меньший workspace может сократить время калибровки, но может ограничить стратегии оптимизации, что скажется на качестве квантованной модели.

  • По умолчанию workspace=None, что позволит TensorRT автоматически выделять память, при ручной настройке это значение может потребоваться увеличить, если калибровка завершится аварийно (без предупреждения).

  • TensorRT сообщит UNSUPPORTED_STATE во время экспорта, если значение для workspace больше, чем объем памяти, доступной устройству, что означает, что значение для workspace должен быть снижен или установлен на None.

  • Если workspace установлено на максимальное значение, и калибровка не проходит/проваливается, рассмотрите возможность использования None для автораспределения или уменьшая значения для imgsz и batch чтобы снизить требования к памяти.

  • Помните, что калибровка для INT8 специфична для каждого устройства, поэтому заимствование "высококлассного" GPU для калибровки может привести к ухудшению производительности при выполнении выводов на другом устройстве.

• batch : Максимальный размер партии, который будет использоваться для вывода. В процессе вычисления могут использоваться меньшие партии, но вычисление не будет принимать партии больше указанной.

Эксперименты NVIDIA привели к тому, что они рекомендуют использовать не менее 500 калибровочных изображений, представляющих данные для вашей модели, с калибровкой квантования INT8. Это рекомендация, а не твердый требование, и вам придется поэкспериментировать с тем, что необходимо для достижения высоких результатов в вашем наборе данных. Поскольку калибровочные данные требуются для калибровки INT8 с помощью TensorRT, обязательно используйте data аргумент, когда int8=True для TensorRT и используйте data="my_dataset.yaml", который будет использовать изображения из валидация для калибровки. Если значение не передано для data при экспорте на TensorRT с квантованием INT8, по умолчанию будет использоваться один из вариантов "маленькие" наборы примеров, основанные на модельной задаче вместо того, чтобы выдать ошибку.

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(
    format="engine",
    dynamic=True,  # (1)!
    batch=8,  # (2)!
    workspace=4,  # (3)!
    int8=True,
    data="coco.yaml",  # (4)!
)

# Load the exported TensorRT INT8 model
model = YOLO("yolov8n.engine", task="detect")

# Run inference
result = model.predict("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to TensorRT format with INT8 quantization
yolo export model=yolo11n.pt format=engine batch=8 workspace=4 int8=True data=coco.yaml  # creates 'yolov8n.engine''

# Run inference with the exported TensorRT quantized model
yolo predict model=yolov8n.engine source='https://ultralytics.com/images/bus.jpg'

Преимущества использования YOLO с TensorRT INT8

• Уменьшение размера модели: Квантование с FP32 на INT8 позволяет уменьшить размер модели в 4 раза (на диске или в памяти), что приводит к ускорению загрузки, снижению требований к хранению и уменьшению занимаемой памяти при развертывании модели.

• Более низкое энергопотребление: Операции пониженной точности для INT8, экспортируемые в модели YOLO , могут потреблять меньше энергии по сравнению с моделями FP32, особенно в устройствах с питанием от батарей.

• Повышение скорости вывода: TensorRT оптимизирует модель для целевого оборудования, что потенциально может привести к повышению скорости вывода на графических процессорах, встроенных устройствах и ускорителях.

Недостатки использования YOLO с TensorRT INT8

• Снижение показателей оценки: Использование более низкой точности означает, что mAP, Precision, Recall или любой другая метрика, используемая для оценки эффективности модели скорее всего, будет несколько хуже. См. Раздел результатов работы чтобы сравнить различия в mAP50 и mAP50-95 при экспорте с INT8 на небольшой выборке различных устройств.

• Увеличение времени разработки: Поиск "оптимальных" настроек калибровки INT8 для набора данных и устройства может потребовать значительного количества испытаний.

• Аппаратная зависимость: Калибровка и повышение производительности могут сильно зависеть от аппаратного обеспечения, а весовые коэффициенты моделей менее переносимы.

Ultralytics YOLO TensorRT Показатели экспорта

NVIDIA A100

Потребительские графические процессоры

Встраиваемые устройства

Методы оценки

Информация о том, как экспортировались и тестировались эти модели, представлена в следующих разделах.

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

# TensorRT FP32
out = model.export(format="engine", imgsz=640, dynamic=True, verbose=False, batch=8, workspace=2)

# TensorRT FP16
out = model.export(format="engine", imgsz=640, dynamic=True, verbose=False, batch=8, workspace=2, half=True)

# TensorRT INT8 with calibration `data` (i.e. COCO, ImageNet, or DOTAv1 for appropriate model task)
out = model.export(
    format="engine", imgsz=640, dynamic=True, verbose=False, batch=8, workspace=2, int8=True, data="coco8.yaml"
)

import cv2

from ultralytics import YOLO

model = YOLO("yolov8n.engine")
img = cv2.imread("path/to/image.jpg")

for _ in range(100):
    result = model.predict(
        [img] * 8,  # batch=8 of the same image
        verbose=False,
        device="cuda",
    )

from ultralytics import YOLO

model = YOLO("yolov8n.engine")
results = model.val(
    data="data.yaml",  # COCO, ImageNet, or DOTAv1 for appropriate model task
    batch=1,
    imgsz=640,
    verbose=False,
    device="cuda",
)

Deploying Exported YOLO11 TensorRT Models

Having successfully exported your Ultralytics YOLO11 models to TensorRT format, you're now ready to deploy them. For in-depth instructions on deploying your TensorRT models in various settings, take a look at the following resources:

• Развертывание Ultralytics с помощью сервера Triton : Наше руководство по использованию NVIDIA's Triton Inference (ранее TensorRT Inference) Server специально для использования с Ultralytics YOLO моделями.

• Развертывание глубоких нейронных сетей с помощью NVIDIA TensorRT: В этой статье рассказывается о том, как использовать NVIDIA TensorRT для эффективного развертывания глубоких нейронных сетей на платформах развертывания, основанных на GPU.

• Комплексный искусственный интеллект для компьютеров на базе NVIDIA: NVIDIA TensorRT Развертывание: В этой статье блога рассказывается об использовании NVIDIA TensorRT для оптимизации и развертывания моделей ИИ на NVIDIA-базированных ПК.

• Репозиторий GitHub для NVIDIA TensorRT :: Это официальный репозиторий GitHub, содержащий исходный код и документацию для NVIDIA TensorRT .

Резюме

In this guide, we focused on converting Ultralytics YOLO11 models to NVIDIA's TensorRT model format. This conversion step is crucial for improving the efficiency and speed of YOLO11 models, making them more effective and suitable for diverse deployment environments.

Более подробную информацию об особенностях использования можно найти в официальной документацииTensorRT .

If you're curious about additional Ultralytics YOLO11 integrations, our integration guide page provides an extensive selection of informative resources and insights.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

How do I convert YOLO11 models to TensorRT format?

To convert your Ultralytics YOLO11 models to TensorRT format for optimized NVIDIA GPU inference, follow these steps:

1. Установите необходимый пакет:

   pip install ultralytics
   

2. Export your YOLO11 model:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.export(format="engine")  # creates 'yolov8n.engine'
   
   # Run inference
   model = YOLO("yolo11n.engine")
   results = model("https://ultralytics.com/images/bus.jpg")
   

For more details, visit the YOLO11 Installation guide and the export documentation.

What are the benefits of using TensorRT for YOLO11 models?

Using TensorRT to optimize YOLO11 models offers several benefits:

• Более высокая скорость вывода: TensorRT оптимизирует слои модели и использует прецизионную калибровку (INT8 и FP16) для ускорения вывода без существенного снижения точности.
• Эффективность использования памяти: TensorRT управляет памятью tensor динамически, снижая накладные расходы и повышая эффективность использования памяти GPU .
• Слияние слоев: Объединяет несколько слоев в одну операцию, снижая вычислительную сложность.
• Автоматическая настройка ядра: Автоматически выбирает оптимизированные ядра GPU для каждого слоя модели, обеспечивая максимальную производительность.

Для получения дополнительной информации ознакомьтесь с подробными возможностями TensorRT здесь и прочитайте наш обзорTensorRT .

Can I use INT8 quantization with TensorRT for YOLO11 models?

Yes, you can export YOLO11 models using TensorRT with INT8 quantization. This process involves post-training quantization (PTQ) and calibration:

1. Экспорт с помощью INT8:

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.pt")
   model.export(format="engine", batch=8, workspace=4, int8=True, data="coco.yaml")
   

2. Выполните вывод:

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.engine", task="detect")
   result = model.predict("https://ultralytics.com/images/bus.jpg")
   

Более подробную информацию см. в разделе "Экспорт TensorRT с квантованием INT8".

How do I deploy YOLO11 TensorRT models on an NVIDIA Triton Inference Server?

Deploying YOLO11 TensorRT models on an NVIDIA Triton Inference Server can be done using the following resources:

• Разверните Ultralytics YOLOv8 с помощью Triton Server: Пошаговое руководство по настройке и использованию Triton Inference Server.
• NVIDIA Triton Документация по серверу выводов: Официальная документация NVIDIA для подробного описания вариантов развертывания и конфигураций.

Эти руководства помогут вам эффективно интегрировать модели YOLOv8 в различные среды развертывания.

Какие улучшения производительности наблюдаются при экспорте моделей YOLOv8 в TensorRT?

Увеличение производительности с помощью TensorRT может зависеть от используемого оборудования. Вот несколько типичных бенчмарков:

• NVIDIA A100:

  • FP32 Inference: ~0,52 мс / изображение
  • Вывод FP16: ~0,34 мс / изображение
  • Вывод INT8: ~0,28 мс / изображение
  • Небольшое уменьшение mAP при использовании точности INT8, но значительное увеличение скорости.

• Потребительские графические процессоры (например, RTX 3080):

  • FP32 Inference: ~1,06 мс / изображение
  • FP16 Inference: ~0,62 мс / изображение
  • INT8 Inference: ~0,52 мс / изображение

Подробные бенчмарки производительности для различных аппаратных конфигураций можно найти в разделе "Производительность".

Для получения более полной информации о производительности TensorRT обратитесь к документацииUltralytics и нашим отчетам по анализу производительности.

📅 Создано 11 месяцев назад ✏️ Обновлено 10 дней назад

Комментарии