TensorRT Экспорт для моделей YOLOv8

Развертывание моделей компьютерного зрения в высокопроизводительных средах может потребовать формата, который максимально увеличивает скорость и эффективность. Это особенно актуально, когда ты разворачиваешь свою модель на графических процессорах NVIDIA .

Используя формат экспорта TensorRT , ты сможешь улучшить свои Ultralytics YOLOv8 модели для быстрых и эффективных вычислений на оборудовании NVIDIA . В этом руководстве ты найдешь простые и понятные шаги для процесса конвертации и сможешь максимально использовать передовые технологии NVIDIA в своих проектах глубокого обучения.

TensorRT

TensorRTразработанный компанией NVIDIA, представляет собой продвинутый комплект 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 NVIDIA GPU и приводит к более быстрым и эффективным операциям. TensorRT модели подвергаются TensorRT оптимизации, которая включает такие техники, как слияние слоев, калибровка точности (INT8 и FP16), динамическое tensor управление памятью 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

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

• Точная калибровка: TensorRT поддерживает точную калибровку, позволяя настраивать модели под конкретные требования к точности. Сюда входит поддержка форматов пониженной точности, таких как INT8 и FP16, что позволяет еще больше увеличить скорость вычислений при сохранении приемлемого уровня точности.

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

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

• Автоматическая настройка ядра: TensorRT применяет автоматическую настройку ядра, чтобы выбрать наиболее оптимизированное GPU ядро для каждого слоя модели. Этот адаптивный подход гарантирует, что модель использует все преимущества вычислительной мощности GPU.

Варианты развертывания в TensorRT

Прежде чем мы посмотрим на код для экспорта YOLOv8 моделей в TensorRT формат, давайте разберемся, где TensorRT Обычно используются модели.

TensorRT предлагает несколько вариантов развертывания, и каждый вариант по-разному балансирует между простотой интеграции, оптимизацией производительности и гибкостью:

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

• Автономный TensorRT Runtime API: Предлагает гранулярный контроль, идеально подходит для приложений, критичных к производительности. Он сложнее, но позволяет реализовывать неподдерживаемые операторы.

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

Экспорт моделей YOLOv8 в TensorRT

Ты можешь повысить эффективность выполнения и оптимизировать производительность, конвертируя модели YOLOv8 в формат TensorRT.

Установка

Чтобы установить нужный пакет, выполни:

# Install the required package for YOLOv8
pip install ultralytics

Для получения подробных инструкций и лучших практик, связанных с процессом установки, ознакомься с нашим руководством по установкеYOLOv8 . Во время установки необходимых пакетов для YOLOv8, если у тебя возникнут какие-либо трудности, обратись к нашему руководству по общим проблемам, чтобы найти решения и советы.

Использование

Прежде чем погрузиться в инструкцию по использованию, обязательно ознакомься с ассортиментом моделейYOLOv8 , которые предлагает Ultralytics. Это поможет тебе выбрать наиболее подходящую модель под требования твоего проекта.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to TensorRT format
model.export(format="engine")  # creates 'yolov8n.engine'

# Load the exported TensorRT model
tensorrt_model = YOLO("yolov8n.engine")

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

# Export a YOLOv8n PyTorch model to TensorRT format
yolo export model=yolov8n.pt format=engine  # creates 'yolov8n.engine''

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

Более подробно о процессе экспорта можно узнать на странице документацииUltralytics , посвященной экспорту.

Экспорт TensorRT с квантованием INT8

Экспорт моделей Ultralytics YOLO с помощью TensorRT с точностью INT8 приводит к квантованию после обучения (PTQ). TensorRT использует калибровку для PTQ, которая измеряет распределение активаций внутри каждой активации tensor , поскольку модель YOLO обрабатывает вывод на репрезентативных входных данных, а затем использует это распределение для оценки значений шкалы для каждой tensor. Каждая активация tensor , которая является кандидатом на квантование, имеет связанную с ней шкалу, которая выводится в процессе калибровки.

При обработке неявно квантованных сетей TensorRT использует INT8 оппортунистически, чтобы оптимизировать время 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 нужно будет выбирать в зависимости от доступных ресурсов устройства, однако по умолчанию используются аргументы должен работает для большинства Дискретные графические процессоры Ampere (или более новые) NVIDIA. Используется следующий алгоритм калибровки "ENTROPY_CALIBRATION_2" И ты можешь 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 закреплены за этим алгоритмом.

• workspace : Контролирует размер (в GiB) выделения памяти устройства при преобразовании весов модели.

  • Отрегулируй workspace значение в зависимости от твоих потребностей в калибровке и наличия ресурсов. В то время как большая workspace может увеличить время калибровки, но позволяет TensorRT исследовать более широкий спектр тактик оптимизации, потенциально повышая производительность и точность модели. И наоборот, меньший workspace может сократить время калибровки, но может ограничить стратегии оптимизации, что скажется на качестве квантованной модели.

  • По умолчанию workspace=4 (GiB), это значение может потребоваться увеличить, если калибровка аварийно завершается (выходит без предупреждения).

  • TensorRT сообщит UNSUPPORTED_STATE во время экспорта, если значение для workspace больше, чем объем памяти, доступный устройству, а значит, значение для workspace должен быть снижен.

  • Если workspace установлено на максимальное значение, и калибровка не проходит/проваливается, подумай о том, чтобы уменьшить значения для imgsz и batch чтобы снизить требования к памяти.

  • Помни, что калибровка для INT8 специфична для каждого устройства, поэтому заимствование "high-end" GPU для калибровки может привести к плохой работе при выполнении выводов на другом устройстве.

• batch : Максимальный размер партии, который будет использоваться для вывода. Во время проведения анализа можно использовать и меньшие партии, но анализ не будет принимать партии больше указанной.

Эксперименты NVIDIA привели их к тому, что они рекомендуют использовать не менее 500 калибровочных изображений, которые являются репрезентативными данными для твоей модели, с калибровкой квантования INT8. Это рекомендация, а не жесткий требование, и Тебе придется поэкспериментировать с тем, что требуется для хорошей работы с твоим набором данных. Поскольку калибровочные данные требуются для калибровки INT8 с помощью TensorRT, обязательно используй data аргумент, когда int8=True для TensorRT и используй data="my_dataset.yaml"Для этого будут использованы 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 выбросить 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 YOLOv8n PyTorch model to TensorRT format with INT8 quantization
yolo export model=yolov8n.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 YOLO -моделями, могут потреблять меньше энергии по сравнению с FP32-моделями, особенно для устройств с питанием от батарей.

• Улучшенная скорость вывода: TensorRT оптимизирует модель для целевого оборудования, что потенциально приводит к более высокой 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 производительности 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 тестирования.

• Аппаратная зависимость: Калибровка и прирост 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

Разверни разделы ниже, чтобы узнать, как эти модели экспортировались и тестировались.

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",
)

Развертывание экспортированных YOLOv8 TensorRT моделей

Успешно экспортировав свои модели Ultralytics YOLOv8 в формат TensorRT, ты теперь готов к их развертыванию. Для получения подробных инструкций по развертыванию твоих TensorRT-моделей в различных условиях посмотри следующие ресурсы:

• Разверни Ultralytics с помощью сервера Triton .: Наше руководство о том, как использовать NVIDIA's Triton Inference (ранее TensorRT Inference) Server специально для работы с Ultralytics YOLO моделями.

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

• Конечный 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

В этом руководстве мы сосредоточились на преобразовании моделей Ultralytics YOLOv8 в формат моделей NVIDIA's TensorRT . Этот шаг преобразования имеет решающее значение для повышения эффективности и скорости работы с моделями YOLOv8 , делая их более эффективными и подходящими для различных сред развертывания.

Чтобы узнать подробности использования, загляни в официальную документациюTensorRT .

Если тебе интересно узнать о дополнительных интеграциях Ultralytics YOLOv8 , на странице нашего руководства по интеграции ты найдешь обширную подборку познавательных ресурсов.

ВОПРОСЫ И ОТВЕТЫ

Как конвертировать модели YOLOv8 в формат TensorRT ?

Чтобы преобразовать твои Ultralytics YOLOv8 модели в формат TensorRT для оптимизированного NVIDIA GPU вывода, выполни следующие шаги:

1. Установи необходимый пакет:

   pip install ultralytics
   

2. Экспортируй свою модель YOLOv8 :

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

Более подробную информацию ты найдешь в руководстве по установкеYOLOv8 и в документации по экспорту.

В чем преимущества использования TensorRT для моделей YOLOv8 ?

Использование TensorRT для оптимизации моделей YOLOv8 дает несколько преимуществ:

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

Для получения дополнительной информации изучи подробные характеристики TensorRT здесь и прочитай наш обзорный разделTensorRT .

Могу ли я использовать квантование INT8 с TensorRT для моделей YOLOv8 ?

Да, ты можешь экспортировать модели YOLOv8 , используя TensorRT с квантованием INT8. Этот процесс включает в себя посттренировочное квантование (PTQ) и калибровку:

1. Экспортируй 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. Выполняй умозаключения:

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

За более подробной информацией обратись к разделу "Экспорт TensorRT с квантованием INT8".

Как развернуть YOLOv8 TensorRT модели на NVIDIA Triton Inference Server?

Развернуть YOLOv8 TensorRT модели на NVIDIA Triton Inference Server можно с помощью следующих ресурсов:

• Разверни Ultralytics YOLOv8 с 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 тебе эффективно интегрировать модели YOLOv8 в различные среды развертывания.

Какие улучшения производительности наблюдаются при экспорте моделей с YOLOv8 в TensorRT?

Увеличение производительности с помощью TensorRT может варьироваться в зависимости от используемого оборудования. Вот несколько типичных бенчмарков:

• NVIDIA A100:

  • FP32 Inference: ~0,52 мс / изображение
  • FP16 Inference: ~0,34 мс / изображение
  • INT8 Inference: ~0,28 мс / изображение
  • Небольшое уменьшение mAP с точностью INT8, но значительное улучшение 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".

Чтобы получить более полную информацию о производительности TensorRT , обратись к документацииUltralytics и нашим отчетам по анализу производительности.

Комментарии