github链接：https://github.com/Lobaer-D/triton-onnx
整体流程可以参考CSDN链接
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
我不会用 Triton 系列：Python Backend 的使用
官方github[triton-inference-server]
271
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
