跳至内容

Triton 推理服务器Ultralytics YOLO11

Triton Inference Server（原名TensorRT Inference Server）是NVIDIA 开发的一个开源软件解决方案。它提供了一个针对NVIDIA GPU 进行了优化的云推理解决方案。Triton 简化了人工智能模型在生产中的大规模部署。将Ultralytics YOLO11 与Triton Inference Server 集成，可以部署可扩展的高性能深度学习推理工作负载。本指南提供了设置和测试集成的步骤。



观看： NVIDIA Triton Inference Server 入门。

什么是Triton Inference Server？

Triton 推理服务器旨在在生产中部署各种人工智能模型。它支持多种深度学习和机器学习框架，包括TensorFlow 、 PyTorchONNX Runtime 等。它的主要用例包括

  • 从单个服务器实例为多个模型提供服务
  • 动态加载和卸载模型，无需重启服务器
  • 集合推理，允许同时使用多个模型来获得结果
  • 模型版本化，用于 A/B 测试和滚动更新

Triton 推理服务器的主要优势

将Triton Inference Server 与Ultralytics YOLO11 结合使用具有多项优势：

  • 自动批处理：在处理多个人工智能请求之前将其组合在一起，从而减少延迟并提高推理速度
  • Kubernetes 集成：云原生设计可与 Kubernetes 无缝协作，用于管理和扩展人工智能应用程序
  • 硬件特定优化：充分利用NVIDIA ®）图形处理器，实现最高性能
  • 框架灵活性：支持多种人工智能框架，包括TensorFlow、PyTorch、ONNX 和TensorRT
  • 开源且可定制：可根据具体需求进行修改，确保各种人工智能应用的灵活性

先决条件

确保在继续之前具备以下先决条件：

  • 机器上已安装 Docker
  • 安装 tritonclient: 
    pip install tritonclient[all]

将YOLO11 导出为ONNX 格式

在Triton 上部署模型之前，必须将其导出为ONNX 格式。ONNX (Open Neural Network Exchange）是一种允许在不同深度学习框架之间传输模型的格式。使用 export 功能中的 YOLO 类：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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)

设置Triton 模型库

Triton 模型库是Triton 可以访问和加载模型的存储位置。

  1. 创建必要的目录结构：

    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)

  2. 将导出的ONNX 模型移至Triton 资源库：

    from pathlib import Path

# 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)

运行Triton 推断服务器

使用 Docker 运行Triton Inference Server：

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:24.09-py3"  # 8.57 GB

# Pull the image
subprocess.call(f"docker pull {tag}", shell=True)

# Run the Triton server and capture the container ID
container_id = (
    subprocess.check_output(
        f"docker run -d --rm --gpus 0 -v {triton_repo_path}:/models -p 8000:8000 {tag} tritonserver --model-repository=/models",
        shell=True,
    )
    .decode("utf-8")
    .strip()
)

# Wait for the Triton server to start
triton_client = InferenceServerClient(url="localhost: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)

然后使用Triton 服务器模型运行推理：

from ultralytics import YOLO

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

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

清理容器：

# Kill and remove the container at the end of the test
subprocess.call(f"docker kill {container_id}", shell=True)

TensorRT 优化（可选）

为了获得更高的性能，您可以使用 TensorRT与Triton Inference Server 结合使用。TensorRT 是专为NVIDIA ）GPU 打造的高性能深度学习优化器，能显著提高推理速度。

将TensorRT 与Triton 结合使用的主要优势包括

  • 与未优化的模型相比，推理速度最多可提高 36 倍
  • 针对硬件进行优化，最大限度地利用GPU
  • 支持精度降低的格式（INT8、FP16），同时保持精度
  • 层融合以减少计算开销

要直接使用TensorRT ，可以将YOLO11 模型导出为TensorRT 格式：

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'

有关TensorRT 优化的更多信息，请参阅TensorRT 集成指南。

按照上述步骤，您可以在Triton Inference Server 上高效地部署和运行Ultralytics YOLO11 模型，为深度学习推理任务提供可扩展的高性能解决方案。如果您遇到任何问题或有进一步的疑问，请参阅 Triton 官方文档或向Ultralytics 社区寻求支持。

常见问题

如何通过NVIDIA Triton Inference Server 设置Ultralytics YOLO11 ？

设置 Ultralytics YOLO11NVIDIA Triton Inference Server涉及几个关键步骤：

  1. 将YOLO11 导出为ONNX 格式：

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model

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

  2. 建立Triton 模型库：

    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. 运行Triton 服务器：

    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:24.09-py3"

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

container_id = (
    subprocess.check_output(
        f"docker run -d --rm --gpus 0 -v {triton_repo_path}:/models -p 8000:8000 {tag} tritonserver --model-repository=/models",
        shell=True,
    )
    .decode("utf-8")
    .strip()
)

triton_client = InferenceServerClient(url="localhost: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)

这种设置可帮助您在Triton Inference Server 上高效地大规模部署YOLO11 模型，以实现高性能的人工智能模型推理。

使用Ultralytics YOLO11 和NVIDIA Triton Inference Server 有什么好处？

将Ultralytics YOLO11 与NVIDIA ）Triton Inference Server集成在一起具有多种优势：

  • 可扩展的人工智能推理：Triton 允许从单个服务器实例为多个模型提供服务，支持动态模型加载和卸载，使其具有高度可扩展性，适用于各种人工智能工作负载。
  • 高性能：Triton Inference Server 针对NVIDIA GPU 进行了优化，可确保高速推理操作，非常适合对象检测等实时应用。
  • 集合和模型版本化：Triton 的集合模式可将多个模型结合起来以改进结果，其模型版本化支持 A/B 测试和滚动更新。
  • 自动批处理：Triton 可自动将多个推理请求组合在一起，从而显著提高吞吐量并减少延迟。
  • 简化部署：逐步优化人工智能工作流程，无需对系统进行全面改造，从而更容易实现高效扩展。

有关使用Triton 设置和运行YOLO11 的详细说明，请参阅设置指南。

在使用Triton Inference Server 之前，为什么要将YOLO11 模型导出为ONNX 格式？

在将Ultralytics YOLO11 模型部署到NVIDIA Triton Inference Server（NVIDIA Triton 推理服务器）之前，使用ONNX （开放神经网络交换）格式可为您带来几大优势：

  • 互操作性：ONNX 格式支持不同深度学习框架（如PyTorch,TensorFlow ）之间的传输，确保更广泛的兼容性。
  • 优化：包括Triton 在内的许多部署环境都对ONNX 进行了优化，从而实现更快的推理和更好的性能。
  • 易于部署：ONNX 广泛支持各种框架和平台，简化了各种操作系统和硬件配置的部署过程。
  • 框架独立性：一旦转换为ONNX，您的模型就不再受限于其原始框架，从而使其更具可移植性。
  • 标准化：ONNX 提供了一种标准化的表示方法，有助于克服不同人工智能框架之间的兼容性问题。

要导出模型，请使用

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
onnx_file = model.export(format="onnx", dynamic=True)

您可以按照ONNX 集成指南中的步骤完成这一过程。

我能否在Triton Inference Server 上使用Ultralytics YOLO11 模型运行推理？

是的，您可以在NVIDIA Triton 推理服务器上使用Ultralytics YOLO11 模型运行推理。一旦在Triton 模型库中设置好模型，并且服务器正在运行，就可以按如下步骤加载模型并运行推理：

from ultralytics import YOLO

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

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

这种方法允许您在使用熟悉的Ultralytics YOLO 界面的同时，充分利用Triton 的优化功能。有关在YOLO11 中设置和运行Triton 服务器的深入指南，请参阅运行triton 推理服务器部分。

Ultralytics YOLO11 与TensorFlow 和PyTorch 的部署模式相比如何？

Ultralytics YOLO11与 TensorFlow和PyTorch 模型相比，YOLO11 具有几个独特的优势：

  • 实时性能：YOLO11 针对实时目标检测任务进行了优化，具有最先进的精度和速度，是需要实时视频分析的应用的理想之选。
  • 易用性：YOLO11 与Triton Inference Server 无缝集成，支持多种导出格式（ONNX,TensorRT,CoreML ），可灵活适用于各种部署场景。
  • 高级功能：YOLO11 包括动态模型加载、模型版本化和集合推理等功能，这些功能对于可扩展和可靠的人工智能部署至关重要。
  • 简化的应用程序接口：Ultralytics API 为不同的部署目标提供了一致的界面，减少了学习曲线和开发时间。
  • 边缘优化：YOLO11 型号的设计考虑到了边缘部署，即使在资源有限的设备上也能提供出色的性能。

有关详细信息，请比较模型导出指南中的部署选项。

📅创建于 1 年前 ✏️已更新 7 天前
翔宇 Y-T-G 超解助手

评论