【Triton-ONNX】如何使用 ONNX 模型服务与 Triton 通信执行推理任务上-Triton快速开始

模型部署系列文章

• 前置-docker 理解:【 0 基础 Docker 极速入门】镜像、容器、常用命令总结
• 前置-http/gRPC 的理解: 【HTTP和gRPC的区别】协议类型/传输效率 /性能等对比
• 【保姆级教程附代码】Pytorch (.pth) 到 TensorRT (.plan) 模型转化全流程
• 【保姆级教程附代码(二)】Pytorch (.pth) 到 TensorRT (.plan) 模型转化全流程细化
• 前面介绍了模型从 PyTorch 到 TensoRT 转化的过程（属于整体流程图的 Model Repo 那部分），接下来几篇则是将重点放到 client-server 之间的部分，需要我们加深对 triton_client 以及不同的 triton inference server 的理解。
• 【Triton Inference Server 多输入|多输出|无输出】如何用 triton_client.infer 调用多输入、多输出的模型进行推理呢？
• 本篇重点是解释如何使用 Python 库与 Triton 通信执行推理任务，参考官方 repo。

---

---

Client-Server 整体流程

关键步骤

1. Creating a Model Repository / 创建模型存储库
2. Launching Triton / 启动 Triton
3. Send an Inference Request / 发送推理请求

---

一、前置特性了解

1. Python 客户端库使用 numpy 来表示输入和输出张量。

   • 其它框架（如 PyTorch）支持张量，其中张量中的每个元素都位于 可变长度二进制数据。
   • 每个元素可以包含一个字符串或 任意字节序列。
   • 在客户端上，此数据类型为 BYTES（请参阅 数据类型 有关支持的数据类型的信息）。

2. 在某些情况下，使用系统共享内存在客户端库和 Triton 之间通信张量可以显著提高性能。

   • Python 示例应用程序 simple_http_shm_client.py 和 simple_grpc_shm_client.py 中演示了如何使用系统共享内存。
   • Python 没有分配和访问共享内存的标准方法，因此举个例子，一个简单的系统共享内存模块 提供了，可以与 Python 客户端库一起使用来创建， 设置和销毁系统共享内存。

3. 在某些情况下，使用 CUDA 共享内存在客户端库和 Triton 之间传递张量可以显著提高性能。

   • Python 示例应用程序 simple_http_cudashm_client.py 和 simple_grpc_cudashm_client.py 中演示了如何使用 CUDA 共享内存。
   • Python 没有分配和访问共享内存的标准方法，因此举个例子，一个简单的 CUDA 共享内存模块 提供了，可以与 Python 客户端库一起使用来创建， 设置和销毁 CUDA 共享内存。该模块目前支持 numpy 数组（示例用法）和 DLPack 张量（示例用法）。

---

正式动手，以👉快速开始为案例。

二、创建模型存储库

• 可以在示例中下载模型来进行尝试

cd docs/examples
./fetch_models.sh

• 本文这里只下载了 densenet 作为尝试

# ONNX densenet
mkdir -p model_repository/densenet_onnx/1
wget -O model_repository/densenet_onnx/1/model.onnx \https://github.com/onnx/models/raw/main/validated/vision/classification/densenet-121/model/densenet-7.onnx

三、启动 Triton（docker）

docker run --gpus all --rm -p 8000:8000 -p 8001:8001 -p 8002:8002 -v $(pwd)/densenet_onnx:/models/densenet_onnx docker.io/xxx:v1 tritonserver --model-repository=/models

1. 启动特定 Triton 的 docker 时过程中遇到了: Error response from daemon: could not select device driver “” with capabilities，参考方案得到了解决。
2. 启动时要注意所在的路径和 docker 命令对应上。
   • 如下 -v $(pwd)/densenet_onnx:/models/densenet_onnx：这部分将当前工作目录下的 densenet_onnx 目录挂载到容器内的 /models/densenet_onnx 目录。
   • 那么当前目录下就需要有以下的结构才行。
     
3. 验证 Triton 是否正确运行
   • 正常运行后会有以下提示，可以看到模型是处于 READY 状态。
     
   • 新开一个 terminal 后输入以下 curl 的语句。
   • 用 Triton 的就绪端点来验证服务器和模型是否已准备好进行推理。
   • 从主机系统使用curl 访问指示服务器状态的HTTP 端点。

curl -v localhost:8000/v2/health/ready# 输出为
*   Trying 127.0.0.1:8000...
* Connected to localhost (127.0.0.1) port 8000 (#0)
> GET /v2/health/ready HTTP/1.1
> Host: localhost:8000
> User-Agent: curl/7.81.0
> Accept: */*
> 
* Mark bundle as not supporting multiuse
< HTTP/1.1 200 OK
< Content-Length: 0
< Content-Type: text/plain
< 
* Connection #0 to host localhost left intact

• 这个输出说明 Triton Inference Server 已经准备好（ready）。返回的 200 OK 状态码表示服务器正常运行并能够处理请求。
• 通过访问 /v2/health/ready 端点，你确认了 Triton Inference Server 的健康状态，表明它已成功启动并准备好接受推理请求。

四、Client 发送推理请求

• 可以通过 docker 中的客户端来实现。

docker pull nvcr.io/nvidia/tritonserver:<xx.yy>-py3-sdkdocker run -it --rm --net=host nvcr.io/nvidia/tritonserver:24.08-py3-sdk

• 从 nvcr.io/nvidia/tritonserver:<xx.yy>-py3-sdk 映像中，运行示例图像客户端应用程序，以使用示例 dendensenet_onnx 模型执行图像分类。

• 要发送 dendensenet_onnx 模型的请求，请使用 /workspace/images 目录中的图像。在本例中，我们要求前 3 个分类。

  $ /workspace/install/bin/image_client -m densenet_onnx -c 3 -s INCEPTION /workspace/images/mug.jpg
  Request 0, batch size 1
  Image '/workspace/images/mug.jpg':15.346230 (504) = COFFEE MUG13.224326 (968) = CUP10.422965 (505) = COFFEEPOT