Xuất TensorRT cho các Mô hình YOLO11

Việc triển khai các mô hình thị giác máy tính trong các môi trường hiệu suất cao có thể yêu cầu một định dạng tối đa hóa tốc độ và hiệu quả. Điều này đặc biệt đúng khi bạn đang triển khai mô hình của mình trên GPU NVIDIA.

Bằng cách sử dụng định dạng xuất TensorRT, bạn có thể tăng cường các mô hình Ultralytics YOLO11 của mình để suy luận nhanh chóng và hiệu quả trên phần cứng NVIDIA. Hướng dẫn này sẽ cung cấp cho bạn các bước dễ thực hiện cho quá trình chuyển đổi và giúp bạn tận dụng tối đa công nghệ tiên tiến của NVIDIA trong các dự án deep learning của bạn.

TensorRT

TensorRT, được phát triển bởi NVIDIA, là một bộ công cụ phát triển phần mềm (SDK) tiên tiến được thiết kế để suy luận học sâu tốc độ cao. Nó rất phù hợp cho các ứng dụng thời gian thực như phát hiện đối tượng.

Bộ công cụ này tối ưu hóa các mô hình deep learning cho NVIDIA GPU và mang lại các hoạt động nhanh hơn và hiệu quả hơn. Các mô hình TensorRT trải qua quá trình tối ưu hóa TensorRT, bao gồm các kỹ thuật như hợp nhất lớp, hiệu chuẩn độ chính xác (INT8 và FP16), quản lý bộ nhớ tensor động và tự động điều chỉnh kernel. Việc chuyển đổi các mô hình deep learning sang định dạng TensorRT cho phép các nhà phát triển nhận ra đầy đủ tiềm năng của NVIDIA GPU.

TensorRT được biết đến với khả năng tương thích với nhiều định dạng mô hình khác nhau, bao gồm TensorFlow, PyTorch và ONNX, cung cấp cho các nhà phát triển một giải pháp linh hoạt để tích hợp và tối ưu hóa các mô hình từ các framework khác nhau. Tính linh hoạt này cho phép triển khai mô hình hiệu quả trên các môi trường phần cứng và phần mềm đa dạng.

Các tính năng chính của mô hình TensorRT

Các mô hình TensorRT cung cấp một loạt các tính năng chính góp phần vào hiệu quả và hiệu quả của chúng trong suy luận học sâu tốc độ cao:

• Hiệu chỉnh độ chính xác: TensorRT hỗ trợ hiệu chỉnh độ chính xác, cho phép tinh chỉnh các mô hình cho các yêu cầu độ chính xác cụ thể. Điều này bao gồm hỗ trợ cho các định dạng độ chính xác giảm như INT8 và FP16, có thể tăng thêm tốc độ suy luận trong khi vẫn duy trì mức độ chính xác có thể chấp nhận được.

• Hợp Nhất Lớp (Layer Fusion): Quá trình tối ưu hóa TensorRT bao gồm hợp nhất lớp, trong đó nhiều lớp của một mạng nơ-ron được kết hợp thành một hoạt động duy nhất. Điều này làm giảm chi phí tính toán và cải thiện tốc độ suy luận bằng cách giảm thiểu truy cập bộ nhớ và tính toán.

• Quản lý Bộ nhớ Tensor Động: TensorRT quản lý hiệu quả việc sử dụng bộ nhớ tensor trong quá trình suy luận, giảm chi phí bộ nhớ và tối ưu hóa việc phân bổ bộ nhớ. Điều này dẫn đến việc sử dụng bộ nhớ GPU hiệu quả hơn.

• Tự động điều chỉnh Kernel: TensorRT áp dụng tự động điều chỉnh kernel để chọn kernel GPU được tối ưu hóa nhất cho mỗi lớp của mô hình. Cách tiếp cận thích ứng này đảm bảo rằng mô hình tận dụng tối đa sức mạnh tính toán của GPU.

Các tùy chọn triển khai trong TensorRT

Trước khi chúng ta xem xét mã để xuất các mô hình YOLO11 sang định dạng TensorRT, hãy hiểu nơi các mô hình TensorRT thường được sử dụng.

TensorRT cung cấp một số tùy chọn triển khai và mỗi tùy chọn cân bằng giữa tính dễ tích hợp, tối ưu hóa hiệu suất và tính linh hoạt khác nhau:

• Triển khai trong TensorFlow: Phương pháp này tích hợp TensorRT vào TensorFlow, cho phép các mô hình được tối ưu hóa chạy trong một môi trường TensorFlow quen thuộc. Nó hữu ích cho các mô hình có sự kết hợp giữa các lớp được hỗ trợ và không được hỗ trợ, vì TF-TRT có thể xử lý chúng một cách hiệu quả.

• API Thời gian chạy TensorRT độc lập: Cung cấp khả năng kiểm soát chi tiết, lý tưởng cho các ứng dụng quan trọng về hiệu suất. Nó phức tạp hơn nhưng cho phép triển khai tùy chỉnh các toán tử không được hỗ trợ.

• NVIDIA Triton Inference Server: Một tùy chọn hỗ trợ các mô hình từ nhiều framework khác nhau. Đặc biệt phù hợp cho suy luận trên đám mây hoặc biên, nó cung cấp các tính năng như thực thi mô hình đồng thời và phân tích mô hình.

Xuất các mô hình YOLO11 sang TensorRT

Bạn có thể cải thiện hiệu quả thực thi và tối ưu hóa hiệu suất bằng cách chuyển đổi các mô hình YOLO11 sang định dạng TensorRT.

Cài đặt

Để cài đặt gói cần thiết, hãy chạy:

# Install the required package for YOLO11
pip install ultralytics

Để có hướng dẫn chi tiết và các phương pháp hay nhất liên quan đến quy trình cài đặt, hãy xem Hướng dẫn cài đặt YOLO11 của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO11, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo Hướng dẫn về các vấn đề thường gặp của chúng tôi để biết các giải pháp và mẹo.

Cách sử dụng

Trước khi đi sâu vào hướng dẫn sử dụng, hãy nhớ xem qua phạm vi các mô hình YOLO11 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất cho các yêu cầu của dự án.

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'

Các đối số xuất

Để biết thêm chi tiết về quy trình xuất, hãy truy cập trang tài liệu Ultralytics về xuất.

Xuất TensorRT với Lượng tử hóa INT8

Xuất các mô hình Ultralytics YOLO bằng TensorRT với độ chính xác INT8 sẽ thực thi lượng tử hóa sau huấn luyện (PTQ). TensorRT sử dụng hiệu chuẩn cho PTQ, đo lường sự phân bố các kích hoạt trong mỗi tensor kích hoạt khi mô hình YOLO xử lý suy luận trên dữ liệu đầu vào đại diện, sau đó sử dụng phân bố đó để ước tính các giá trị tỷ lệ cho mỗi tensor. Mỗi tensor kích hoạt là một ứng cử viên cho lượng tử hóa có một tỷ lệ liên kết được suy ra bởi một quy trình hiệu chuẩn.

Khi xử lý các mạng lượng tử hóa ngầm định, TensorRT sử dụng INT8 một cách tùy biến để tối ưu hóa thời gian thực thi lớp. Nếu một lớp chạy nhanh hơn ở INT8 và đã gán thang đo lượng tử hóa trên dữ liệu đầu vào và đầu ra của nó, thì một kernel với độ chính xác INT8 sẽ được gán cho lớp đó, nếu không, TensorRT sẽ chọn độ chính xác FP32 hoặc FP16 cho kernel dựa trên kết quả nào cho thời gian thực thi nhanh hơn cho lớp đó.

Định cấu hình Xuất INT8

Các đối số được cung cấp khi sử dụng export cho một mô hình Ultralytics YOLO sẽ rất nhiều ảnh hưởng đến hiệu suất của mô hình đã xuất. Chúng cũng cần được chọn dựa trên tài nguyên thiết bị có sẵn, tuy nhiên các đối số mặc định nên phù hợp với hầu hết GPU rời NVIDIA Ampere (hoặc mới hơn). Thuật toán hiệu chuẩn được sử dụng là "MINMAX_CALIBRATION" và bạn có thể đọc thêm chi tiết về các tùy chọn có sẵn trong Hướng dẫn dành cho nhà phát triển TensorRT. Ultralytics đã thử nghiệm và nhận thấy rằng "MINMAX_CALIBRATION" là lựa chọn tốt nhất và các bản xuất hiện đã được sửa để sử dụng thuật toán này.

• workspace : Kiểm soát kích thước (tính bằng GiB) của việc cấp phát bộ nhớ thiết bị trong khi chuyển đổi trọng số mô hình.

  • Điều chỉnh workspace giá trị theo nhu cầu hiệu chuẩn và khả năng tài nguyên của bạn. Trong khi một workspace có thể làm tăng thời gian hiệu chỉnh, nó cho phép TensorRT khám phá một loạt các chiến thuật tối ưu hóa rộng hơn, có khả năng nâng cao hiệu suất mô hình và độ chính xác. Ngược lại, một workspace có thể giảm thời gian hiệu chỉnh nhưng có thể giới hạn các chiến lược tối ưu hóa, ảnh hưởng đến chất lượng của mô hình lượng tử hóa.

  • Mặc định là workspace=None, cho phép TensorRT tự động cấp phát bộ nhớ. Khi định cấu hình thủ công, giá trị này có thể cần được tăng lên nếu quá trình hiệu chỉnh bị lỗi (thoát mà không có cảnh báo).

  • TensorRT sẽ báo cáo UNSUPPORTED_STATE trong quá trình xuất nếu giá trị cho workspace lớn hơn bộ nhớ khả dụng của thiết bị, có nghĩa là giá trị cho workspace nên được giảm xuống hoặc đặt thành None.

  • Nếu workspace được đặt thành giá trị tối đa và quá trình hiệu chuẩn bị lỗi/sập, hãy cân nhắc sử dụng None để tự động phân bổ hoặc bằng cách giảm các giá trị cho imgsz và batch để giảm yêu cầu bộ nhớ.

  • Hãy nhớ rằng hiệu chuẩn cho INT8 là dành riêng cho từng thiết bị, việc mượn một GPU "cao cấp" để hiệu chuẩn có thể dẫn đến hiệu suất kém khi suy luận được chạy trên một thiết bị khác.

• batch : Kích thước batch tối đa sẽ được sử dụng để suy luận. Trong quá trình suy luận, các batch nhỏ hơn có thể được sử dụng, nhưng quá trình suy luận sẽ không chấp nhận các batch nào lớn hơn những gì đã được chỉ định.

Thử nghiệm của NVIDIA đã dẫn đến khuyến nghị sử dụng ít nhất 500 hình ảnh hiệu chuẩn đại diện cho dữ liệu của mô hình của bạn, với hiệu chuẩn lượng tử hóa INT8. Đây là một hướng dẫn và không phải là một khó yêu cầu và bạn sẽ cần thử nghiệm với những gì cần thiết để đạt hiệu quả tốt cho tập dữ liệu của bạn. Vì dữ liệu hiệu chuẩn là bắt buộc để hiệu chuẩn INT8 với TensorRT, hãy chắc chắn sử dụng data đối số khi int8=True cho TensorRT và sử dụng data="my_dataset.yaml", sẽ sử dụng hình ảnh từ xác thực để hiệu chỉnh. Khi không có giá trị nào được truyền cho data với xuất sang TensorRT với lượng tử hóa INT8, mặc định sẽ là sử dụng một trong các các bộ dữ liệu mẫu "nhỏ" dựa trên tác vụ của mô hình thay vì báo lỗi.

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'

Ưu điểm của việc sử dụng YOLO với TensorRT INT8

• Giảm kích thước mô hình: Lượng tử hóa từ FP32 sang INT8 có thể giảm kích thước mô hình đi 4 lần (trên đĩa hoặc trong bộ nhớ), dẫn đến thời gian tải xuống nhanh hơn, yêu cầu lưu trữ thấp hơn và giảm dung lượng bộ nhớ khi triển khai mô hình.

• Tiêu thụ điện năng thấp hơn: Các hoạt động giảm độ chính xác cho các mô hình YOLO được xuất ở định dạng INT8 có thể tiêu thụ ít điện năng hơn so với các mô hình FP32, đặc biệt đối với các thiết bị chạy bằng pin.

• Cải thiện tốc độ suy luận: TensorRT tối ưu hóa mô hình cho phần cứng mục tiêu, có khả năng dẫn đến tốc độ suy luận nhanh hơn trên GPU, thiết bị nhúng và bộ tăng tốc.

Nhược điểm khi sử dụng YOLO với TensorRT INT8

• Các chỉ số đánh giá giảm: Sử dụng độ chính xác thấp hơn có nghĩa là mAP, Precision, Recall hoặc bất kỳ số liệu khác được sử dụng để đánh giá hiệu suất của mô hình có khả năng sẽ kém hơn một chút. Xem Phần kết quả hiệu suất để so sánh sự khác biệt trong mAP50 và mAP50-95 khi xuất với INT8 trên một mẫu nhỏ của các thiết bị khác nhau.

• Tăng thời gian phát triển: Việc tìm ra các cài đặt "tối ưu" cho hiệu chuẩn INT8 cho tập dữ liệu và thiết bị có thể mất một lượng thời gian thử nghiệm đáng kể.

• Tính phụ thuộc vào phần cứng: Việc hiệu chỉnh và tăng hiệu suất có thể phụ thuộc nhiều vào phần cứng và trọng số mô hình ít có khả năng chuyển đổi hơn.

Hiệu suất Xuất Ultralytics YOLO TensorRT

NVIDIA A100

GPU tiêu dùng

Thiết bị nhúng

Phương pháp đánh giá

Mở rộng các phần bên dưới để biết thông tin về cách các mô hình này được xuất và kiểm tra.

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",
)

Triển khai các Mô Hình YOLO11 TensorRT Đã Xuất

Sau khi xuất thành công các mô hình Ultralytics YOLO11 sang định dạng TensorRT, bạn đã sẵn sàng triển khai chúng. Để biết hướng dẫn chi tiết về cách triển khai các mô hình TensorRT của bạn trong các môi trường khác nhau, hãy xem các tài nguyên sau:

• Triển khai Ultralytics với Triton Server: Hướng dẫn của chúng tôi về cách sử dụng Triton Inference (trước đây là TensorRT Inference) Server của NVIDIA đặc biệt để sử dụng với các mô hình Ultralytics YOLO.

• Triển khai Mạng Nơ-ron Sâu với NVIDIA TensorRT: Bài viết này giải thích cách sử dụng NVIDIA TensorRT để triển khai các mạng nơ-ron sâu trên các nền tảng triển khai dựa trên GPU một cách hiệu quả.

• AI Đầu cuối cho PC dựa trên NVIDIA: Triển khai NVIDIA TensorRT: Bài đăng trên blog này giải thích việc sử dụng NVIDIA TensorRT để tối ưu hóa và triển khai các mô hình AI trên PC dựa trên NVIDIA.

• Kho lưu trữ GitHub cho NVIDIA TensorRT:: Đây là kho lưu trữ GitHub chính thức chứa mã nguồn và tài liệu cho NVIDIA TensorRT.

Tóm tắt

Trong hướng dẫn này, chúng tôi tập trung vào việc chuyển đổi các mô hình Ultralytics YOLO11 sang định dạng mô hình TensorRT của NVIDIA. Bước chuyển đổi này rất quan trọng để cải thiện hiệu quả và tốc độ của các mô hình YOLO11, làm cho chúng hiệu quả hơn và phù hợp hơn với các môi trường triển khai khác nhau.

Để biết thêm thông tin chi tiết về cách sử dụng, hãy xem tài liệu chính thức của TensorRT.

Nếu bạn tò mò về các tích hợp Ultralytics YOLO11 bổ sung, trang hướng dẫn tích hợp của chúng tôi cung cấp một lựa chọn phong phú các tài nguyên và thông tin chi tiết.

Câu hỏi thường gặp

Làm cách nào để chuyển đổi các mô hình YOLO11 sang định dạng TensorRT?

Để chuyển đổi các mô hình Ultralytics YOLO11 của bạn sang định dạng TensorRT để suy luận NVIDIA GPU được tối ưu hóa, hãy làm theo các bước sau:

1. Cài đặt gói yêu cầu:

   pip install ultralytics
   

2. Xuất mô hình YOLO11 của bạn:

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

Để biết thêm chi tiết, hãy truy cập hướng dẫn Cài đặt YOLO11 và tài liệu xuất.

Những lợi ích của việc sử dụng TensorRT cho các mô hình YOLO11 là gì?

Sử dụng TensorRT để tối ưu hóa các mô hình YOLO11 mang lại một số lợi ích:

• Tốc độ suy luận nhanh hơn: TensorRT tối ưu hóa các lớp mô hình và sử dụng hiệu chuẩn độ chính xác (INT8 và FP16) để tăng tốc độ suy luận mà không làm giảm đáng kể độ chính xác.
• Hiệu quả bộ nhớ: TensorRT quản lý bộ nhớ tensor một cách linh hoạt, giảm chi phí và cải thiện việc sử dụng bộ nhớ GPU.
• Hợp Nhất Lớp (Layer Fusion): Kết hợp nhiều lớp thành các hoạt động đơn lẻ, giảm độ phức tạp tính toán.
• Kernel Auto-Tuning: Tự động chọn các kernel GPU được tối ưu hóa cho từng lớp mô hình, đảm bảo hiệu suất tối đa.

Để tìm hiểu thêm, hãy khám phá tài liệu TensorRT chính thức từ NVIDIA và tổng quan chuyên sâu về TensorRT của chúng tôi.

Tôi có thể sử dụng lượng tử hóa INT8 với TensorRT cho các mô hình YOLO11 không?

Có, bạn có thể xuất các mô hình YOLO11 bằng TensorRT với lượng tử hóa INT8. Quá trình này bao gồm lượng tử hóa sau huấn luyện (PTQ) và hiệu chuẩn:

1. Xuất với INT8:

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

2. Chạy suy luận:

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

Để biết thêm chi tiết, hãy tham khảo phần xuất TensorRT với lượng tử hóa INT8.

Làm cách nào để triển khai các mô hình YOLO11 TensorRT trên một NVIDIA Triton Inference Server?

Việc triển khai các mô hình YOLO11 TensorRT trên NVIDIA Triton Inference Server có thể được thực hiện bằng các tài nguyên sau:

• Triển khai Ultralytics YOLOv8 với Triton Server: Hướng dẫn từng bước về cách thiết lập và sử dụng Triton Inference Server.
• Tài liệu về NVIDIA Triton Inference Server: Tài liệu chính thức của NVIDIA để biết các tùy chọn và cấu hình triển khai chi tiết.

Các hướng dẫn này sẽ giúp bạn tích hợp các mô hình YOLOv8 một cách hiệu quả trong các môi trường triển khai khác nhau.

Những cải tiến về hiệu suất được quan sát thấy với các mô hình YOLOv8 được xuất sang TensorRT là gì?

Cải thiện hiệu suất với TensorRT có thể khác nhau tùy thuộc vào phần cứng được sử dụng. Dưới đây là một số điểm chuẩn điển hình:

• NVIDIA A100:

  • Suy luận FP32: ~0,52 ms / ảnh
  • Suy luận FP16: ~0,34 ms / ảnh
  • Suy luận INT8: ~0.28 ms / ảnh
  • Giảm nhẹ mAP với độ chính xác INT8, nhưng cải thiện đáng kể về tốc độ.

• GPU Tiêu Dùng (ví dụ: RTX 3080):

  • Suy luận FP32: ~1,06 ms / ảnh
  • Suy luận FP16: ~0,62 ms / ảnh
  • Suy luận INT8: ~0.52 ms / ảnh

Điểm chuẩn hiệu suất chi tiết cho các cấu hình phần cứng khác nhau có thể được tìm thấy trong phần hiệu suất.

Để hiểu rõ hơn về hiệu suất của TensorRT, hãy tham khảo tài liệu Ultralytics và các báo cáo phân tích hiệu suất của chúng tôi.

📅 Đã tạo 1 năm trước ✏️ Cập nhật 2 tháng trước

Bình luận