【torchserve安装和使用】torchserve部署方法|常见问题汇总|mmdetection使用torchserve部署|不使用docker-CSDN博客

本文链接：https://blog.csdn.net/m0_61139217/article/details/125014279

QQ：1757093754 欢迎交流！！！

什么是torchserve？

（百度）torchserve是Facebook和AWS联手开发的一款用于机器学习模型部署和调用的微服务程序。

接触torchserve是因为项目落地最终需要部署到平台上面，所以就开始了torchserve的使用之旅。

安装方法：

pip3 install torchserve -i https://pypi.tuna.tsinghua.edu.cn/simple

torchserve官网：

1. TorchServe — PyTorch/Serve master documentationhttps://pytorch.org/serve/

环境依赖：（建议）

torch==1.9.x

openjdk==11

python==3.8

个人学习安装、使用torchserve：

1.安装虚拟机

对于模型的部署，torchserve支持windows，但是我们最好在linux下面进行练习，大部分的项目落地都以linux为主。

下载一个linux虚拟机必不可少：

（centos）

• 第一步：下载 VMware Workstation

• 第二步：下载centos系统镜像

• 第三步：安装系统镜像到虚拟机

Windows 虚拟机 | Workstation Pro | VMware | CN

https://www.vmware.com/cn/products/workstation-pro.html

镜像下载链接：

CentOS 安装镜像 · ISRC - 镜像站 (iscas.ac.cn)https://mirror.iscas.ac.cn/mirror/centos-release.html将下载好的iso镜像安装到虚拟机里面：

在虚拟机打开终端：

2.安装anaconda

和我们平时使用一样，我们需要一个包管理工具去管理我们下载好的包和库。

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2021.05-Linux-x86_64.sh

注意：这里的anaconda版本可以随意，最好保证不要太新，也不要太旧就行。

注：图中的anaconda是我已经安装完成的，正常下载完了只有旁边那一个.sh文件。

之后执行.sh文件实现安装：

bash Anaconda3-2021.05-Linux-x86_64.sh

注意：安装的时候仔细看给的提示英文，不要盲目的一路回车过去！！！

报错：Cannot open xxx/anaconda3/conda.exe or archive xxx/anaconda3/conda.exe.pkg

解决方法：

不要从windows上直接下载anaconda，在传到linux上面！

如果正常安装完成的话，anaconda会自动加入环境变量。

3.安装openjdk==11

torchserve的使用需要java环境，官方建议openjdk11。

注：如果在后续使用过程中出现任何和java环境有关的报错，都是jdk版本问题，或者是jdk环境没导入的问题。

yum install -y java-11-openjdk

配置环境变量：

vi /etc/profile
export JAVA_HOME=自己的jdk位置
export PATH=$JAVA_HOME/bin:$PATH
export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

source /etc/profile

检查环境变量是否配置成功：

java –version

4.安装集成开发环境

第4步就是在虚拟机上面安装pycharm（推荐），等集成开发环境。这一步就不详细说明了。(づ ●─● )づ

5.安装torchserve

pip3 install torchserve -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install torch-model-archiver -i https://pypi.tuna.tsinghua.edu.cn/simple

6.命令行使用

第一步：打包（注册模型）

torchserve需要部署torch-model-archiver生成好的mar文件，所以我们把权重和模型的配置文件打包成一个mar包。

注册模型：（模板）

torch-model-archiver --model-name xxx --version 1.0 --model-file model.py --serialized-file xxx.pth --handler image_classifier[这里可以自己写handle文件] --extra-files index_to_name.json[一个类别索引json]

注：模型的注册重点在handle，可以重写这个文件来实现属于自己的模型部署。（torchserve只支持torch、torchscript模型的部署），如果需要部署其他模型，需要自己重写handle文件。

启动 torchserve服务：

torchserve --start --model-store model_store[存放mar文件的文件夹] --models yolo[自定义注册的模型名称]=xxx.mar

7.测试

部署状态查询（端口号具体看部署到的端口号）

curl http://localhost:8080/ping

测试xxx.jpg（端口号具体看部署到的端口号）

curl http://localhost:8080/predictions/test -T xxx.jpg

下面是一张在做项目时候测试结果图片：

实际使用过程中遇到的问题汇总：

handler.py

# 自定义handler
class MyHandler(BaseHandler):
    threshold = 0.5

    # 初始化
    def initialize(self, context):
        pass

    # 数据的预处理
    def preprocess(self, data):
        pass

    # 推理部分
    def inference(self, data, *args, **kwargs):
        pass

    # 后处理部分
    def postprocess(self, data):
        pass

注：torchserve源代码只支持torch模型和torchscript模型的部署。

也可以在handler.py里面自定义一个模型加载类来加载模型：

def _load_pickled_model(self, model_dir, model_file, model_pt_path):
    pass

注：正式使用的时候需要安装CUDA

CUDA下载地址：CUDA Toolkit Archive | NVIDIA Developerhttps://developer.nvidia.com/cuda-toolkit-archive版本对应关系：（该网站可以直接通过不同的cuda版本下载pytorch）以前的 PyTorch 版本 |PyTorchhttps://pytorch.org/get-started/previous-versions/

自定义部署网站端口号：

config.properties.txt:

修改完端口之后再部署：

torchserve --start --model-store xxx --models xxx=xxx.mar --ts-config ./config.propertes

注：--model-store 参数为存放mar压缩包的文件夹路径。

停止部署服务：

torchserve --stop

mmdetection使用torchserve部署：

由图可见，mmdetection自己封装好了一个handler.py可以直接使用。仍只支持torch和torchscript模型权重。

python .\tools\deployment\mmdet2torchserve.py F:\ms\yolox_s_8x8_300e_coco.py F:\ms\best_bbox_mAP_epoch_109.pth --output-folder output_mar --model-name yolox -f

打包完成之后可以直接使用 test_torchserve.py 文件进行测试，也可以使用终端进行测试。