Skip to content

Latest commit

 

History

History
164 lines (139 loc) · 7.09 KB

readme.md

File metadata and controls

164 lines (139 loc) · 7.09 KB
Raw

简体中文 | English

模型服务化部署

简介

Paddle Serving 旨在帮助深度学习开发者轻松部署在线预测服务，支持一键部署工业级的服务能力、客户端和服务端之间高并发和高效通信、并支持多种编程语言开发客户端。

该部分以 HTTP 预测服务部署为例，介绍怎样在 PaddleVideo 中使用 PaddleServing 部署模型服务。目前只支持 Linux 平台部署，暂不支持 Windows 平台。

Serving 安装

Serving 官网推荐使用 docker 安装并部署 Serving 环境。首先需要拉取 docker 环境并创建基于 Serving 的 docker。

# 启动GPU docker
docker pull paddlepaddle/serving:0.7.0-cuda10.2-cudnn7-devel
nvidia-docker run -p 9292:9292 --name test -dit paddlepaddle/serving:0.7.0-cuda10.2-cudnn7-devel bash
nvidia-docker exec -it test bash

# 启动CPU docker
docker pull paddlepaddle/serving:0.7.0-devel
docker run -p 9292:9292 --name test -dit paddlepaddle/serving:0.7.0-devel bash
docker exec -it test bash

进入 docker 后，需要安装 Serving 相关的 python 包。

python3.7 -m pip install paddle-serving-client==0.7.0
python3.7 -m pip install paddle-serving-app==0.7.0

#若为CPU部署环境:
python3.7 -m pip install paddle-serving-server==0.7.0  # CPU
python3.7 -m pip install paddlepaddle==2.2.0           # CPU

#若为GPU部署环境
python3.7 -m pip install paddle-serving-server-gpu==0.7.0.post102  # GPU with CUDA10.2 + TensorRT6
python3.7 -m pip install paddlepaddle-gpu==2.2.0                   # GPU with CUDA10.2

#其他GPU环境需要确认环境再选择执行哪一条
python3.7 -m pip install paddle-serving-server-gpu==0.7.0.post101  # GPU with CUDA10.1 + TensorRT6
python3.7 -m pip install paddle-serving-server-gpu==0.7.0.post112  # GPU with CUDA11.2 + TensorRT8

行为识别服务部署

模型转换

使用 PaddleServing 做服务化部署时，需要将保存的 inference 模型转换为 Serving 模型。下面以 PP-TSM 模型为例，介绍如何部署行为识别服务。

  • 下载 PP-TSM 推理模型并转换为 Serving 模型：

    # 进入PaddleVideo目录
cd PaddleVideo
# 下载推理模型并解压到./inference下
mkdir ./inference
pushd ./inference
wget  https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM.zip
unzip ppTSM.zip
popd

# 转换成 Serving 模型
pushd deploy/cpp_serving
python3.7 -m paddle_serving_client.convert \
--dirname ../../inference/ppTSM \
--model_filename ppTSM.pdmodel \
--params_filename ppTSM.pdiparams \
--serving_server ./ppTSM_serving_server \
--serving_client ./ppTSM_serving_client
popd
    参数 类型 默认值 描述
    dirname str - 需要转换的模型文件存储路径，Program结构文件和参数文件均保存在此目录。
    model_filename str None 存储需要转换的模型Inference Program结构的文件名称。如果设置为None，则使用 __model__ 作为默认的文件名
    params_filename str None 存储需要转换的模型所有参数的文件名称。当且仅当所有模型参数被保>存在一个单独的二进制文件中，它才需要被指定。如果模型参数是存储在各自分离的文件中，设置它的值为None
    serving_server str "serving_server" 转换后的模型文件和配置文件的存储路径。默认值为serving_server
    serving_client str "serving_client" 转换后的客户端配置文件存储路径。默认值为serving_client

  • 推理模型转换完成后，会在deploy/cpp_serving文件夹下生成 ppTSM_serving_client 和 ppTSM_serving_server 两个文件夹，具备如下格式：

    PaddleVideo/deploy/cpp_serving
├── ppTSM_serving_client
│   ├── serving_client_conf.prototxt
│   └── serving_client_conf.stream.prototxt
└── ppTSM_serving_server
    ├── ppTSM.pdiparams
    ├── ppTSM.pdmodel
    ├── serving_server_conf.prototxt
    └── serving_server_conf.stream.prototxt

    得到模型文件之后，需要分别修改 ppTSM_serving_client 下的 serving_client_conf.prototxt 和 ppTSM_serving_server 下的 serving_server_conf.prototxt，将两份文件中fetch_var 下的 alias_name 均改为 outputs

    备注: Serving 为了兼容不同模型的部署，提供了输入输出重命名的功能。这样，不同的模型在推理部署时，只需要修改配置文件的alias_name即可，无需修改代码即可完成推理部署。 修改后的serving_server_conf.prototxt如下所示:

    feed_var {
  name: "data_batch_0"
  alias_name: "data_batch_0"
  is_lod_tensor: false
  feed_type: 1
  shape: 8
  shape: 3
  shape: 224
  shape: 224
}
fetch_var {
  name: "linear_2.tmp_1"
  alias_name: "outputs"
  is_lod_tensor: false
  fetch_type: 1
  shape: 400
}

服务部署和请求

cpp_serving 目录包含了启动 pipeline 服务、C++ serving服务和发送预测请求的代码，具体包括：

run_cpp_serving.sh          # 启动C++ serving server端的脚本
pipeline_http_client.py     # client端发送数据并获取预测结果的脚本
paddle_env_install.sh       # 安装C++ serving环境脚本
preprocess_ops.py           # 存放预处理函数的文件

C++ Serving

  • 进入工作目录：

    cd deploy/cpp_serving

  • 启动服务：

    # 在后台启动，过程中打印输出的日志会重定向保存到nohup.txt中，可以使用tailf nohup.txt查看输出
bash run_cpp_serving.sh

  • 发送请求并获取结果：

    python3.7 serving_client.py \
-n PPTSM \
-c ./ppTSM_serving_client/serving_client_conf.prototxt \
--input_file=../../data/example.avi

成功运行后，模型预测的结果会打印在 cmd 窗口中，结果如下：

I0510 04:33:00.110025 37097 naming_service_thread.cpp:202] brpc::policy::ListNamingService("127.0.0.1:9993"): added 1
I0510 04:33:01.904764 37097 general_model.cpp:490] [client]logid=0,client_cost=1640.96ms,server_cost=1623.21ms.
{'class_id': '[5]', 'prob': '[0.9907387495040894]'}

如果过程中报错显示找不到libnvinfer.so.6，可以执行脚本paddle_env_install.sh安装相关环境

bash paddle_env_install.sh

FAQ

Q1： 发送请求后没有结果返回或者提示输出解码报错

A1： 启动服务和发送请求时不要设置代理，可以在启动服务前和发送请求前关闭代理，关闭代理的命令是：

unset https_proxy
unset http_proxy