triton部署yolov5笔记（五）

github链接：https://github.com/Lobaer-D/triton-onnx

整体流程可以参考CSDN链接

triton部署yolov5笔记（一）

triton部署yolov5笔记（二）

triton部署yolov5笔记（三）

triton部署yolov5笔记（四）

一、docker安装

nvidia-docker安装

Nvidia-Docker安装需要安装两个部分，Docker-CE和NVIDIA Container Toolkit。

1、安装Dokcer-CE

Docker-CE on Ubuntu can be setup using Docker’s official convenience script:

官方的快速安装脚本，具体安装的版本应该是最新版，如果用此脚本安装Docker，以后还可以使用此脚本更新：

curl https://get.docker.com | sh \&& sudo systemctl --now enable docker

注意：如果你的机器已经有安装Docker，那么使用这个脚本可能会出错，要是你本机的Docker就是用这个脚本安装的，那么你可以再次用这个脚本进行更新。

我使用此脚本进行安装后：

需要执行sudo /lib/systemd/systemd-sysv-install enable docker来激活docker，激活后查看Docker版本docker --version

2、更改docker镜像源

复制以下命令到终端，直接运行即可完成

sudo mkdir -p /etc/docker
sudo tee /etc/docker/daemon.json <<-'EOF'
{"registry-mirrors": ["https://sx1pmhon.mirror.aliyuncs.com"]
}
EOF
sudo systemctl daemon-reload
sudo systemctl restart docker

3、Linux下修改docker默认存储位置

docker 默认安装存储位置为 /var/lib/docker。当镜像多了以后，会占用大量的存储空间，当所在的分区存储空间不足时，我们可以通过扩展磁盘空间，或者修改 docker 配置中的存储位置来解决上述问题。

（0）确认存储位置

输入以下命令即可查看doker默认存储位置，最初默认位置为/var/lib/docker

sudo docker info|grep "Docker Root Dir"

（1）软链接

软链接 (Symbolic Link)，也称符号链接，这里不再详细介绍。最简单的修改方法是将原docker 目录下的文件迁移到新的目录，然后将原目录链接到新的目录，这种方法的好处是不用修改 docker 配置，从系统文件操作的层面来解决。方法如下：

①首先停止 docker 服务：

# systemctl stop docker

②然后移动整个 `/var/lib/docker` 目录到目的路径(`/data/docker`)：

# mv /var/lib/docker /data/docker

③ 创建软链接

# ln -s /root/docker /var/lib/docker

**Note：**命令的意思是 /var/lib/docker 是链接文件名，其作用是当进入/var/lib/docker目录时，实际上是链接进入了 /root/docker 目录

④重启docker

# systemctl start docker

（2）修改docker配置文件

也可以通过修改 docker.service 文件，使用 --graph newPath 参数指定存储位置，方法如下：

①首先停止 docker 服务：

# systemctl stop docker

②然后移动整个 /var/lib/docker 目录到目的路径(/data/docker)：

# mv /var/lib/docker /data/docker

③ 修改 docker.service 文件

centos7 下默认路径为 /usr/lib/systemd/system/docker.service

# vim /usr/lib/systemd/system/docker.service

在 ExecStart=/usr/bin/dockerd 后面添加参数 --graph /data/docker

结果如下：

ExecStart=/usr/bin/dockerd --graph /data/docker -H fd:// --containerd=/run/containerd/containerd.sock

④重启 docker 服务

# systemctl daemon-reload
# systemctl start docker

⑤查看配置是否生效

# docker info | grep "Docker Root Dir"Docker Root Dir: /data/docker

4、安装NVIDIA Container Toolkit

设置稳定版本的库及GPG密钥

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

Optional：如果想要使用实验特性，需要加入experimental分支到库下：

curl -s -L https://nvidia.github.io/nvidia-container-runtime/experimental/$distribution/nvidia-container-runtime.list | sudo tee /etc/apt/sources.list.d/nvidia-container-runtime.list

更新好包列表之后，安装nvidia-docker2包及其依赖：

sudo apt-get update

sudo apt-get install -y nvidia-docker2

安装完毕…

上述默认运行时设置好后，重启Docker后台驻留程序：

sudo systemctl restart docker

现在可以通过运行base CUDA container来测试一个working setup

sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

二、模型转换

1、将训练好的模型转化为onnx格式

先给出官方代码链接，yolov5。这里不对yolov5原理做介绍，直接从训练的pt文件开始。当我们训练好模型以后，在官方给的yolov5代码结构中，runs目录下会生成train目录，找到最终训练的exp，在weights目录下会生成best.pt和last.pt，我们选择best.pt，指定输入输出路径，输入以下命令

python export.py --weights yolov5s.pt --include torchscript onnx

在有的情况下输出模型结构需要进行调整，修改fucs网络层，输出节点进行拼接等。这里不需要对模型的输入输出节点进行修改。输出网络结构如图所示。

2、修改onnx输出字节的名称

PaddleUtils-main目录下提供了相关的修改工具

将417，437，output输出节点改为output1，output2，output3

①ONNX模型shape推理

有时遇到拿到的ONNX模型缺少中间节点的shape信息，可以使用onnx_infer_shape来进行shape推理，此脚本源于onnxruntime，使用方式如下

python onnx_infer_shape.py --input model.onnx --output new_model.onnx

②裁剪ONNX模型

在部分场景下，我们可能只需要整个模型的一部分，那么可以使用prune_onnx_model.py来裁剪模型，如我们只需要模型中的输出x和y及其之前的节点即可，那么可使用如下方式处理模型

python prune_onnx_model.py --model model.onnx --output_names x y --save_file new_model.onnx

其中output_names用于指定最终模型的输出tensor，可以指定多个

③修改模型中间节点命名（包含输入、输出重命名）

python rename_onnx_model.py --model model.onnx --origin_names x y z --new_names x1 y1 z1 --save_file new_model.onnx

其中origin_names和new_names，前者表示原模型中各个命名（可指定多个），后者表示新命名，两个参数指定的命名个数需要相同

三、模型部署

1、拉取triton镜像

docker pull nvcr.io/nvidia/tritonserver:22.04-py3

2、构建模型容器

在triton_inference_server目录下分别创建deploy、images、labels文件夹，其中deploy文件夹下放置我们的模型文件，images文件夹下放置模型输入输出图片，labels文件夹放置模型分类的标签类别。

deploy文件夹下的模型放置结构要严格按照这个结构进行放置。

其中custom_model目录下为python backend模型，其作用是在服务端进行模型的推理与后处理，config.pbtxt文件为模型的配置文件，triton.tar.gz文件为运行model.py文件所需的python环境，由于该文件太大，没有上传，获取方式稍后介绍。

model_0、1、2目录下放置我们训练并转化好的模型文件。

images目录下有两个目录，input_img目录放置要输入进行预测的图片（代码中目前没有调用该目录下的图片，调用的是网络图片，如果想要调用该目录下的图片只需要将model.py文件稍作修改即可）；output_img目录存放预测完成的图片，他会按照日期生成文件夹，该文件夹下存放当天生成的图片，图片命名方式由uuid随机生成。

目录结构如下：

triton_inference_server
├── client.py
├── deploy
│   ├── custom_model
│   │   ├── 1
│   │   │   ├── model.py
│   │   │   └── __pycache__
│   │   │       ├── hat_utils.cpython-38.pyc
│   │   │       └── model.cpython-38.pyc
│   │   ├── config.pbtxt
│   │   └── triton.tar.gz
│   ├── model_0
│   │   ├── 1
│   │   │   └── model.onnx
│   │   └── config.pbtxt
│   ├── model_1
│   │   ├── 1
│   │   │   └── model.onnx
│   │   └── config.pbtxt
│   └── model_2
│       ├── 1
│       │   └── model.onnx
│       └── config.pbtxt
├── images
│   ├── input_img
│   │   └── 4.jpg
│   └── output_img
│       └── 20220805
│           └──  02e2f779-461f-40be-8d7d-43f46e73a62a.jpg
└── labels├── label_0.txt├── label_1.txt└── label_2.txt

注：使用本地环境（生成triton.tar.gz）

在创建虚拟环境之前运行

export PYTHONNOUSERSITE=True

创建一个虚拟环境，安装服务端需要的包

conda create -n triton python=3.8

pip install opencv-python  # conda 安装不了，用 pip,如果有问题安装opencv-python-headless
pip3 install torch torchvision torchaudio
# 清华镜像源
# pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple
conda install conda-pack
conda-pack  # 运行打包程序，将会打包到运行的目录下面

如果需要，安装opencv的依赖

apt update
apt install ffmpeg libsm6 libxext6 -y --fix-missing  # 安装 opencv 的依赖, -y 表示 yes

将打包的triton.tar.gz文件放到cuetom_model路径下

3、启动容器

进入工作空间

cd triton_inference_server

启动容器

sudo docker run --gpus all --name triton-inference-server --rm --shm-size=1g -p9090:8000 -p9091:8001 -p9092:8002 -v $(pwd)/deploy:/models -v $(pwd)/images:/images -v $(pwd)/labels:/labels nvcr.io/nvidia/tritonserver:21.09-py3
tritonserver --model-repository=/models

4、测试结果

安装依赖包

pip install tritonclient[all]

运行client.py文件

python client.py

References

nvidia-docker安装教程

Linux下更换Docker镜像源

Linux下修改Docker默认存储位置

我不会用 Triton 系列：Python Backend 的使用

人脸识别例程

官方github[triton-inference-server]