Ultralytics YOLO27：
Get Started

使用 Ultralytics YOLO26 的 Triton Inference Server#

Triton Inference Server（原名 TensorRT Inference Server）是 NVIDIA 开发的开源软件解决方案。它提供针对 NVIDIA GPU 优化的云端推理方案。Triton 简化了 AI 模型的大规模生产部署。将 Ultralytics YOLO26 集成到 Triton Inference Server，可部署可扩展、高性能的深度学习推理工作负载。本指南将介绍如何设置和测试这一集成。



观看： NVIDIA Triton Inference Server 入门

什么是 Triton Inference Server？#

Triton Inference Server 专为在生产环境中部署各种 AI 模型而设计。它支持多种深度学习和机器学习框架，包括 PyTorch、TensorFlow、ONNX、OpenVINO、TensorRT 等。它的主要用途包括：

  • 通过单个服务器实例提供多个模型服务
  • 无需重启服务器即可动态加载和卸载模型
  • 集成推理：结合使用多个模型以取得结果
  • 模型版本管理，用于 A/B 测试和滚动更新

Triton Inference Server 的主要优势#

将 Triton Inference Server 与 Ultralytics YOLO26 搭配使用有多项优势：

  • 自动批处理：在处理前将多个 AI 请求组合在一起，从而降低延迟并提高推理速度
  • Kubernetes 集成：云原生设计可与 Kubernetes 无缝协作，便于管理和扩展 AI 应用
  • 硬件专项优化：充分利用 NVIDIA GPU，实现最高性能
  • 框架灵活性：支持多种 AI 框架，包括 PyTorch、TensorFlow、ONNX、OpenVINO 和 TensorRT
  • 开源且可定制：可根据具体需求进行修改，灵活适用于各种 AI 应用

前置条件#

继续操作前，请确保满足以下先决条件：

  • 你的计算机上已安装 Docker（>= 28.2.0，使用 NVIDIA Container Toolkit >= 1.18 以通过 CDI 访问 GPU）或 Podman
  • 安装 ultralytics： 
    pip install ultralytics
  • 安装 tritonclient： 
    pip install tritonclient[all]

设置 Triton Inference Server#

运行以下完整设置代码块，将 Ultralytics YOLO26 导出为 ONNX、构建 Triton 模型仓库并启动 Triton Inference Server：

注意

在脚本中使用 runtime 开关选择容器引擎：

  • 设置 runtime = "docker" 以使用 Docker
  • 设置 runtime = "podman" 以使用 Podman
import contextlib
import subprocess
import time
from pathlib import Path

from tritonclient.http import InferenceServerClient

from ultralytics import YOLO

runtime = "docker"  # set to "podman" to use Podman

# 1) Exporting YOLO26 to ONNX Format

# Load a model
model = YOLO("yolo26n.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)

# 2) Setting Up Triton Model Repository

# 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)

# 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"
  }
}

# Enable TensorRT acceleration (requires a GPU and TensorRT-enabled Triton; remove this block for CPU-only serving)
# The 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)

# 3) Running Triton Inference Server

# Define image https://catalog.ngc.nvidia.com/orgs/nvidia/containers/tritonserver
tag = "nvcr.io/nvidia/tritonserver:26.02-py3"  # 16.17 GB (Compressed Size)

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

# CDI GPU request works identically on Docker and Podman
gpu_flags = "--device nvidia.com/gpu=all"

container_name = "triton_server"

# Note: The :z flag on the volume mount is necessary for systems with SELinux (like Fedora/RHEL)
subprocess.call(
    f"{runtime} run -d --rm --name {container_name} {gpu_flags} -v {triton_repo_path.absolute()}:/models:z -p 8000:8000 {tag} tritonserver --model-repository=/models",
    shell=True,
)

# Wait for the Triton server to start
triton_client = InferenceServerClient(url="127.0.0.1:8000", 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)

运行推理#

使用 Triton Server 模型运行推理：

from ultralytics import YOLO

# 加载 Triton Server 模型
model = YOLO("http://127.0.0.1:8000/yolo", task="detect")

# 在服务器上运行推理
results = model("path/to/image.jpg")

清理容器：

import subprocess

runtime = "docker"  # set to "podman" to use Podman
container_name = "triton_server"  # Kill the named container
subprocess.call(f"{runtime} kill {container_name}", shell=True)

TensorRT 优化（可选）#

如需进一步提升性能，你可以在 Triton Inference Server 中使用 TensorRT。TensorRT 是专为 NVIDIA GPU 打造的高性能深度学习优化器，可显著提升推理速度。

在 Triton 中使用 TensorRT 的主要优势包括：

  • 与未优化的模型相比，推理速度最高可提升 36 倍
  • 针对硬件进行优化，最大限度地利用 GPU
  • 支持 INT8、FP16 等低精度格式，同时保持精度
  • 通过层融合降低计算开销

上面的 config.pbtxt 已为 ONNX 模型启用 Triton 的 TensorRT 加速器。如果你希望改用 Ultralytics 直接运行 TensorRT，请将 Ultralytics YOLO26 模型导出为 TensorRT 格式：

from ultralytics import YOLO

# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")

# 将模型导出为 TensorRT 格式
model.export(format="engine")  # 创建 'yolo26n.engine'

有关 TensorRT 优化的更多信息，请参阅 TensorRT 集成指南。

现在，你可以在 Triton Inference Server 上部署并运行 Ultralytics YOLO26 模型，以实现可扩展的高性能推理。更多详情请参阅 Triton 官方文档，或向 Ultralytics 社区寻求帮助。

常见问题#

  • 使用 Ultralytics YOLO26 和 NVIDIA Triton Inference Server 进行设置包含几个关键步骤：

    1. 将 YOLO26 导出为 ONNX 格式：

      from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载官方模型

# 将模型导出为 ONNX 格式
onnx_file = model.export(format="onnx", dynamic=True)

    2. 设置 Triton 模型仓库：

      from pathlib import Path

# 定义路径
model_name = "yolo"
triton_repo_path = Path("tmp") / "triton_repo"
triton_model_path = triton_repo_path / model_name

# 创建目录
(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:26.02-py3"

runtime = "docker"  # set to "podman" to use Podman
subprocess.call(f"{runtime} pull {tag}", shell=True)

# CDI GPU request works identically on Docker and Podman
gpu_flags = "--device nvidia.com/gpu=all"

container_name = "triton_server"
subprocess.call(
    f"{runtime} run -d --rm --name {container_name} {gpu_flags} -v {triton_repo_path.absolute()}:/models:z -p 8000:8000 {tag} tritonserver --model-repository=/models",
    shell=True,
)

triton_client = InferenceServerClient(url="127.0.0.1:8000", verbose=False, ssl=False)

for _ in range(10):
    with contextlib.suppress(Exception):
        assert triton_client.is_model_ready(model_name)
        break
    time.sleep(1)

    这种设置有助于你在 Triton Inference Server 上高效地大规模部署 Ultralytics YOLO26 模型，以实现高性能 AI 模型推理。

  • 将 Ultralytics YOLO26 集成到 NVIDIA Triton Inference Server 可带来多项优势：

    • 可扩展的 AI 推理：Triton 支持通过单个服务器实例提供多个模型服务，还支持动态加载和卸载模型，因此能够灵活扩展以满足各种 AI 工作负载的需求。
    • 高性能：Triton Inference Server 针对 NVIDIA GPU 进行了优化，可确保高速推理，非常适合目标检测等实时应用。
    • 集成与模型版本管理：Triton 的集成模式可组合多个模型以改善结果；模型版本管理则支持 A/B 测试和滚动更新。
    • 自动批处理：Triton 会自动将多个推理请求组合在一起，从而显著提高吞吐量并降低延迟。
    • 简化部署：无需彻底改造系统，即可逐步优化 AI 工作流，从而更轻松地实现高效扩展。

    有关使用 Triton 设置和运行 Ultralytics YOLO26 的详细说明，请参阅设置 Triton Inference Server和运行推理。

  • 在将 Ultralytics YOLO26 模型部署到 NVIDIA Triton Inference Server 之前，使用 ONNX（开放神经网络交换）格式有多项主要优势：

    • 互操作性：ONNX 格式支持在不同深度学习框架（如 PyTorch、TensorFlow）之间迁移，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，因此能够实现更快的推理和更好的性能。
    • 易于部署：ONNX 在各种框架和平台中都得到广泛支持，可简化不同操作系统和硬件配置下的部署流程。
    • 框架独立性：模型转换为 ONNX 后，就不再受原始框架限制，因此更易于移植。
    • 标准化：ONNX 提供标准化表示，有助于解决不同 AI 框架之间的兼容性问题。

    要导出模型，请使用：

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")
onnx_file = model.export(format="onnx", dynamic=True)

    你可以按照 ONNX 集成指南中的步骤完成此流程。

  • 可以，你可以在 NVIDIA Triton Inference Server 上使用 Ultralytics YOLO26 模型运行推理。将模型设置到 Triton Model Repository 中并启动服务器后，你可以按如下方式加载模型并运行推理：

    from ultralytics import YOLO

# 加载 Triton Server 模型
model = YOLO("http://127.0.0.1:8000/yolo", task="detect")

# 在服务器上运行推理
results = model("path/to/image.jpg")

    这种方法让你能够在使用熟悉的 Ultralytics YOLO 接口的同时，利用 Triton 的优化功能。

  • 与 TensorFlow 和 PyTorch 模型相比，Ultralytics YOLO26 在部署方面有几项独特优势：

    • 实时性能：Ultralytics YOLO26 针对实时目标检测任务进行了优化，提供先进的准确率和速度，非常适合需要实时视频分析的应用。
    • 易于使用：Ultralytics YOLO26 可与 Triton Inference Server 无缝集成，并支持多种导出格式（ONNX、TensorRT），因此适用于各种部署场景。
    • 高级功能：通过 Triton 提供服务可实现动态模型加载、模型版本管理和集成推理，这些功能对于可扩展且可靠的 AI 部署至关重要。
    • 简化的 API：Ultralytics API 为不同部署目标提供一致的接口，降低了学习门槛并缩短开发时间。
    • 边缘端优化：Ultralytics YOLO26 模型在设计时考虑了边缘端部署，即使在资源受限的设备上也能提供出色性能。

    如需了解更多详情，请比较模型导出指南中的部署选项。

贡献者
GLglenn-jocher21Y-Y-T-G4RAraimbekovm2ONonuralpszr2PDpderrenger1LEleonnil1

评论