跳转至内容

带有 Ultralytics YOLO11 的 Triton 推理服务器

Triton 推理服务器（前身为 TensorRT 推理服务器）是由 NVIDIA 开发的开源软件解决方案。它提供了一个针对 NVIDIA GPU 优化的云推理解决方案。Triton 简化了在生产环境中大规模部署 AI 模型的过程。将 Ultralytics YOLO11 与 Triton 推理服务器集成，您可以部署可扩展的、高性能的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 推理服务器入门。

什么是 Triton Inference Server？

Triton 推理服务器旨在部署各种 AI 模型到生产环境。它支持各种深度学习和机器学习框架，包括 TensorFlow、PyTorch、ONNX Runtime 等。其主要用例包括：

  • 从单个服务器实例提供多个模型
  • 无需服务器重启即可动态加载和卸载模型
  • 集成推理，允许多个模型一起使用以获得结果
  • 用于 A/B 测试和滚动更新的模型版本控制

Triton 推理服务器的主要优势

将 Triton 推理服务器与 Ultralytics YOLO11 结合使用具有以下几个优势：

  • 自动批处理: 在处理多个 AI 请求之前，将它们分组在一起，从而减少延迟并提高推理速度
  • Kubernetes集成：云原生设计与Kubernetes无缝协作，用于管理和扩展AI应用程序
  • 硬件特定优化：充分利用 NVIDIA GPU 以实现最佳性能
  • 框架灵活性：支持多种 AI 框架，包括 TensorFlow、PyTorch、ONNX 和 TensorRT
  • 开源且可定制：可以修改以适应特定需求，确保各种 AI 应用的灵活性。

准备工作

在继续之前，请确保您具备以下先决条件：

  • 您的机器上已安装 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（开放神经网络交换）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 中的 YOLO 函数：

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 模型仓库

Triton 模型仓库是 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 模型移动到 Triton 仓库：

    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 推理服务器

使用 Docker 运行 Triton 推理服务器：

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"  # 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 Server 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，您可以将 TensorRT 与 Triton Inference Server 结合使用。TensorRT 是专为 NVIDIA GPU 构建的高性能深度学习优化器，可以显著提高推理速度。

将 TensorRT 与 Triton 结合使用的主要优势包括：

  • 与未优化的模型相比，推理速度最高可提高 36 倍
  • 针对特定硬件的优化，可最大程度地利用 GPU
  • 支持降低精度格式（INT8、FP16），同时保持准确性
  • 层融合以减少计算开销

要直接使用 TensorRT，您可以将您的 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。

通过遵循上述步骤，您可以高效地在 Triton Inference Server 上部署和运行 Ultralytics YOLO11 模型，从而为深度学习推理任务提供可扩展且高性能的解决方案。如果您遇到任何问题或有其他疑问，请参阅 Triton 官方文档 或联系 Ultralytics 社区以获得支持。

常见问题

如何设置 Ultralytics YOLO11 与 NVIDIA Triton 推理服务器？

使用 NVIDIA Triton Inference Server 设置 Ultralytics YOLO11 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. 设置 Triton 模型仓库：

    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 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"

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)

此设置可以帮助您在 Triton Inference Server 上高效地大规模部署 YOLO11 模型，以实现高性能的 AI 模型推理。

将 Ultralytics YOLO11 与 NVIDIA Triton 推理服务器结合使用有哪些好处？

将 Ultralytics YOLO11 与 NVIDIA Triton Inference Server 集成提供了以下几个优势：

  • 可扩展的 AI 推理：Triton 允许从单个服务器实例提供多个模型，支持动态模型加载和卸载，使其对于各种 AI 工作负载具有高度的可扩展性。
  • 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 目标检测 等实时应用。
  • 集成和模型版本控制：Triton 的集成模式能够组合多个模型以改进结果，并且其模型版本控制支持 A/B 测试和滚动更新。
  • 自动批处理: Triton 自动将多个推理请求分组在一起，从而显著提高吞吐量并减少延迟。
  • 简化的部署：AI 工作流程的逐步优化，无需彻底改造系统，从而更易于高效扩展。

有关使用 Triton 设置和运行 YOLO11 的详细说明，您可以参考设置指南。

为什么在使用 Triton 推理服务器之前，我应该将 YOLO11 模型导出为 ONNX 格式？

在将 Ultralytics YOLO11 模型部署到 NVIDIA Triton Inference Server 之前，使用 ONNX（开放神经网络交换）格式可以带来以下几个主要优势：

  • 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针对 ONNX 进行了优化，从而能够实现更快的推理和更好的性能。
  • 易于部署：ONNX 受到框架和平台的广泛支持，从而简化了在各种操作系统和硬件配置中的部署过程。
  • 框架独立性：一旦转换为 ONNX，您的模型不再受限于其原始框架，从而使其更具可移植性。
  • 标准化：ONNX 提供了一种标准化表示，有助于克服不同 AI 框架之间的兼容性问题。

要导出您的模型，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 中的步骤完成该过程。

我可以在 Triton 推理服务器上使用 Ultralytics YOLO11 模型运行推理吗？

是的，您可以在 NVIDIA Triton Inference Server 上使用 Ultralytics YOLO11 模型运行推理。一旦您的模型在 Triton Model Repository 中设置好并且服务器正在运行，您可以按如下方式加载并运行您的模型推理：

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")

这种方法允许您利用 Triton 的优化，同时使用熟悉的 Ultralytics YOLO 接口。有关使用 YOLO11 设置和运行 Triton Server 的深入指南，请参阅运行 triton 推理服务器部分。

在部署方面，Ultralytics YOLO11 与 TensorFlow 和 PyTorch 模型相比如何？

与用于部署的 TensorFlow 和 PyTorch 模型相比，Ultralytics YOLO11 具有以下几个独特的优势：

  • 实时性能：YOLO11 针对实时目标检测任务进行了优化，可提供最先进的准确率和速度，使其成为需要实时视频分析的应用程序的理想选择。
  • 易于使用：YOLO11 与 Triton Inference Server 无缝集成，并支持各种导出格式（ONNX、TensorRT、CoreML），从而使其可以灵活地适应各种部署方案。
  • 高级功能：YOLO11 包含动态模型加载、模型版本控制和集成推理等功能，这对于可扩展且可靠的 AI 部署至关重要。
  • 简化的 API：Ultralytics API 在不同的部署目标上提供一致的接口，从而缩短了学习曲线和开发时间。
  • 边缘优化: YOLO11 模型在设计时考虑了边缘部署，即使在资源受限的设备上也能提供出色的性能。

有关更多详细信息，请比较模型导出指南中的部署选项。



📅 创建于 1 年前 ✏️ 更新于 5 个月前
glenn-jocher Y-T-G UltralyticsAssistant leonnil

评论