Gestione delle previsioni con NVIDIA Triton

Questa pagina descrive come gestire le richieste di previsione con il server di inferenza di NVIDIA Triton utilizzando Vertex AI Prediction. Il server di inferenza NVIDIA Triton (Triton) è una soluzione open source per la pubblicazione di inferenza di NVIDIA ottimizzata per CPU e GPU, oltre a semplificare il processo di distribuzione dell'inferenza.

NVIDIA Triton su Vertex AI Prediction

Vertex AI Prediction supporta il deployment di modelli sul server di inferenza Triton in esecuzione su un container personalizzato pubblicato da NVIDIA GPU Cloud (NGC) - Immagine del server di inferenza NVIDIA Triton. Le immagini Triton di NVIDIA includono tutti i pacchetti e le configurazioni necessarie che soddisfano i requisiti Vertex AI per le immagini container con servizio personalizzato. L'immagine contiene il server di inferenza Triton con supporto per i modelli TensorFlow, PyTorch, TensorRT, ONNX e OpenVINO. L'immagine include anche il backend CFI (Forest Inference Library) che supporta l'esecuzione di framework ML come XGBoost, LightGBM e Scikit-Learn.

Triton carica i modelli ed espone gli endpoint REST di inferenza, integrità e gestione dei modelli che utilizzano protocolli di inferenza standard. Durante il deployment di un modello in Vertex AI, Triton riconosce gli ambienti Vertex AI e adotta il protocollo Vertex AI Prediction per i controlli di integrità e le richieste di previsione.

Nell'elenco che segue vengono descritte le funzionalità principali e i casi d'uso del server di inferenza NVIDIA Triton:

  • Supporto di più framework di deep learning e machine learning: Triton supporta il deployment di più modelli e una combinazione di framework e formati di modelli, ovvero TensorFlow (SavedModel e GraphDef), PyTorch (TorchScript), TensorRT, ONNX, OpenVINO e FIL backend per supportare framework quali XGBoost, LightGBM, Scikit-Learn e qualsiasi formato di modello personalizzato Python o C++.
  • Esecuzione simultanea di più modelli: Triton consente l'esecuzione simultanea di più modelli, di più istanze dello stesso modello o di entrambi sulla stessa risorsa di calcolo con zero o più GPU.
  • Assemblaggio dei modelli (chaining o pipelining): ensemble Triton supporta i casi d'uso in cui più modelli sono composti come pipeline (o DAG, Directed Acyclic Graph) con input e tensori di output collegati tra loro. Inoltre, con un backend Triton Python puoi includere qualsiasi logica di flusso di pre-elaborazione, post-elaborazione o controllo definita dal Business Logic Scripting (BLS).
  • Esegui su backend CPU e GPU: Triton supporta l'inferenza per i modelli di cui è stato eseguito il deployment su nodi con CPU e GPU.
  • Raggruppamento dinamico in batch delle richieste di previsione: per i modelli che supportano il raggruppamento in batch, Triton dispone di algoritmi integrati per la pianificazione e la gestione in batch. Questi algoritmi combinano dinamicamente le singole richieste di inferenza in batch sul lato server per migliorare la velocità effettiva di inferenza e aumentare l'utilizzo della GPU.

Per ulteriori informazioni sul server di inferenza NVIDIA Triton, consulta la documentazione di Triton.

Immagini container NVIDIA Triton disponibili

La seguente tabella mostra le immagini Triton Docker disponibili nel catalogo NVIDIA NGC. Scegli un'immagine in base al framework del modello, al backend e alle dimensioni dell'immagine container che utilizzi.

xx e yy si riferiscono rispettivamente alle versioni principali e secondarie di Triton.

Immagine NVIDIA Triton Supporti
xx.yy-py3 Container completo con supporto per i modelli TensorFlow, PyTorch, TensorRT, ONNX e OpenVINO
xx.yy-pyt-python-py3 Solo backend PyTorch e Python
xx.yy-tf2-python-py3 Solo backend TensorFlow 2.x e Python
xx.yy-py3-min Personalizza il container Triton in base alle tue esigenze

Per iniziare: pubblicazione di previsioni con NVIDIA Triton

La figura seguente mostra l'architettura generale di Triton su Vertex AI Prediction:

triton-on-vertex-ai-prediction

  • Un modello ML gestito da Triton è registrato in Vertex AI Model Registry. I metadati del modello fanno riferimento a una posizione degli artefatti del modello in Cloud Storage, al container di pubblicazione personalizzato e alla relativa configurazione.
  • Viene eseguito il deployment del modello da Vertex AI Model Registry su un endpoint Vertex AI Prediction che esegue il server di inferenza Triton come container personalizzato sui nodi di computing con CPU e GPU.
  • Le richieste di inferenza arrivano al server di inferenza di Triton tramite un endpoint di Vertex AI Prediction e vengono instradate allo scheduler appropriato.
  • Il backend esegue l'inferenza utilizzando gli input forniti nelle richieste in batch e restituisce una risposta.
  • Triton fornisce endpoint per l'idoneità e l'integrità dell'attività, che consentono l'integrazione di Triton in ambienti di deployment come Vertex AI Prediction.

Questo tutorial mostra come utilizzare un container personalizzato che esegue il server di inferenza NVIDIA Triton per eseguire il deployment di un modello di machine learning (ML) su Vertex AI Prediction, che fornisce le previsioni online. Esegui il deployment di un container che esegue Triton per fornire previsioni da un modello di rilevamento di oggetti di TensorFlow Hub preaddestrato sul set di dati COCO 2017. Puoi quindi utilizzare Vertex AI Prediction per rilevare gli oggetti in un'immagine.

Puoi anche eseguire il tutorial su Vertex AI Workbench seguendo questo blocco note Jupyter.

Prima di iniziare

  1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

  4. Abilita le API Vertex AI API and Artifact Registry API.

    Abilita le API

    5.

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  6. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

  7. Abilita le API Vertex AI API and Artifact Registry API.

    Abilita le API

    8.

  8. Nella console Google Cloud, attiva Cloud Shell.

    Attiva Cloud Shell

    Nella parte inferiore della console Google Cloud viene avviata una sessione di Cloud Shell che mostra un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già installato e con valori già impostati per il progetto attuale. L'inizializzazione della sessione può richiedere alcuni secondi.

Per tutto questo tutorial, ti consigliamo di utilizzare Cloud Shell per interagire con Google Cloud. Se vuoi utilizzare una shell Bash diversa anziché Cloud Shell, esegui questa configurazione aggiuntiva:

  1. Installa Google Cloud CLI.

  2. Per initialize gcloud CLI, esegui questo comando: 

    gcloud init
  3. Segui la documentazione di Artifact Registry per installare Docker.

Creazione e push dell'immagine container

Per utilizzare un container personalizzato, devi specificare un'immagine container Docker che soddisfi i requisiti dei container personalizzati. Questa sezione descrive come creare l'immagine container ed eseguirne il push in Artifact Registry.

Scarica artefatti del modello

Gli artefatti del modello sono file creati dall'addestramento ML che puoi utilizzare per fornire previsioni. Contengono come minimo la struttura e i ponderazioni del modello ML addestrato. Il formato degli artefatti del modello dipende dal framework ML usato per l'addestramento.

Per questo tutorial, anziché addestrare un modello da zero, scarica il modello di rilevamento degli oggetti da TensorFlow Hub che è stato addestrato sul set di dati COCO 2017. Triton prevede che il repository dei modelli sia organizzato nella seguente struttura per la gestione del formato TensorFlow SavedModel:

└── model-repository-path
       └── model_name
              ├── config.pbtxt
              └── 1
                  └── model.savedmodel
                        └── <saved-model-files>

Il file config.pbtxt descrive la configurazione del modello per il modello. Per impostazione predefinita, è necessario fornire il file di configurazione del modello contenente le impostazioni richieste. Tuttavia, se Triton viene avviato con l'opzione --strict-model-config=false, in alcuni casi la configurazione del modello può essere generata automaticamente da Triton e non deve essere fornita esplicitamente. Nello specifico, i modelli TensorRT, TensorFlow SavedModel e ONNX non richiedono un file di configurazione del modello perché Triton può ricavare automaticamente tutte le impostazioni richieste. Tutti gli altri tipi di modello devono fornire un file di configurazione.

# Download and organize model artifacts according to the Triton model repository spec
mkdir -p models/object_detector/1/model.savedmodel/
curl -L "https://tfhub.dev/tensorflow/faster_rcnn/resnet101_v1_640x640/1?tf-hub-format=compressed" | \
    tar -zxvC ./models/object_detector/1/model.savedmodel/
ls -ltr ./models/object_detector/1/model.savedmodel/

Dopo aver scaricato il modello in locale, il repository dei modelli verrà organizzato come segue:

./models
└── object_detector
    └── 1
        └── model.savedmodel
            ├── saved_model.pb
            └── variables
                ├── variables.data-00000-of-00001
                └── variables.index

Copia gli artefatti del modello in un bucket Cloud Storage

Gli artefatti del modello scaricati, incluso il file di configurazione del modello, vengono inviati a un bucket Cloud Storage specificato da MODEL_ARTIFACTS_REPOSITORY, che può essere utilizzato quando crei la risorsa modello Vertex AI.

gsutil cp -r ./models/object_detector MODEL_ARTIFACTS_REPOSITORY/

Crea un repository Artifact Registry

Crea un repository Artifact Registry per archiviare l'immagine container che creerai nella sezione successiva.

Abilita il servizio API Artifact Registry per il tuo progetto.

gcloud services enable artifactregistry.googleapis.com

Esegui questo comando nella shell per creare il repository Artifact Registry:

gcloud artifacts repositories create getting-started-nvidia-triton \
 --repository-format=docker \
 --location=LOCATION \
 --description="NVIDIA Triton Docker repository"

Sostituisci LOCATION con la regione in cui Artifact Registry archivia l'immagine container. In seguito, devi creare una risorsa del modello Vertex AI su un endpoint regionale che corrisponde a questa regione, quindi scegli una regione in cui Vertex AI ha un endpoint a livello di regione, ad esempio us-central1.

Dopo aver completato l'operazione, il comando visualizza il seguente output:

Created repository [getting-started-nvidia-triton].

Crea l'immagine container

NVIDIA fornisce immagini Docker per la creazione di un'immagine container che esegue Triton e in linea con i requisiti dei container personalizzati di Vertex AI per la pubblicazione. Puoi eseguire il pull dell'immagine utilizzando docker e contrassegnare il percorso Artifact Registry a cui verrà eseguito il push dell'immagine.

NGC_TRITON_IMAGE_URI="nvcr.io/nvidia/tritonserver:22.01-py3"
docker pull $NGC_TRITON_IMAGE_URI
docker tag $NGC_TRITON_IMAGE_URI LOCATION-docker.pkg.dev/PROJECT_ID/getting-started-nvidia-triton/vertex-triton-inference

Sostituisci quanto segue:

  • LOCATION: la regione del tuo repository Artifact Registry, come specificato in una sezione precedente
  • PROJECT_ID: l'ID del tuo progetto Google Cloud

Il comando potrebbe essere eseguito per diversi minuti.

Prepara il file del payload per testare le richieste di previsione

Per inviare al server del container una richiesta di previsione, prepara il payload con un file immagine di esempio che utilizza Python. Esegui il seguente script Python per generare il file del payload:

import json
import requests

# install required packages before running
# pip install pillow numpy --upgrade
from PIL import Image
import numpy as np

# method to generate payload from image url
def generate_payload(image_url):
    # download image from url and resize
    image_inputs = Image.open(requests.get(image_url, stream=True).raw)
    image_inputs = image_inputs.resize((200, 200))

    # convert image to numpy array
    image_tensor = np.asarray(image_inputs)
    # derive image shape
    image_shape = [1] + list(image_tensor.shape)

    # create payload request
    payload = {
        "id": "0",
        "inputs": [
            {
                "name": "input_tensor",
                "shape": image_shape,
                "datatype": "UINT8",
                "parameters": {},
                "data": image_tensor.tolist(),
            }
        ],
    }

    # save payload as json file
    payload_file = "instances.json"
    with open(payload_file, "w") as f:
        json.dump(payload, f)
    print(f"Payload generated at {payload_file}")

    return payload_file

if __name__ == '__main__':
  image_url = "https://github.com/tensorflow/models/raw/master/research/object_detection/test_images/image2.jpg"
  payload_file = generate_payload(image_url)

Lo script Python genera il payload e stampa la seguente risposta:

Payload generated at instances.json

Esegui il container in locale (facoltativo)

Prima di eseguire il push dell'immagine container ad Artifact Registry per utilizzarla con Vertex AI Prediction, puoi eseguirla come container nel tuo ambiente locale per verificare che il server funzioni come previsto:

  1. Per eseguire l'immagine container in locale, esegui questo comando nella shell:

    docker run -t -d -p 8000:8000 --rm \
  --name=local_object_detector \
  -e AIP_MODE=True \
  LOCATION-docker.pkg.dev/PROJECT_ID/getting-started-nvidia-triton/vertex-triton-inference \
  --model-repository MODEL_ARTIFACTS_REPOSITORY \
  --strict-model-config=false

    Sostituisci quanto segue, come hai fatto nella sezione precedente:

    • LOCATION: la regione del tuo repository Artifact Registry, come specificato in una sezione precedente
    • PROJECT_ID: l'ID del tuo progetto Google Cloud
    • MODEL_ARTIFACTS_REPOSITORY: il percorso di Cloud Storage in cui si trovano gli artefatti del modello

    Questo comando esegue un container in modalità scollegato, mappando la porta 8000 del container alla porta 8000 dell'ambiente locale. L'immagine di Triton da NGC configura Triton per l'utilizzo della porta 8000.

  2. Per inviare al server del container un controllo di integrità, esegui questo comando nella shell:

    curl -s -o /dev/null -w "%{http_code}" http://localhost:8000/v2/health/ready

    In caso di esito positivo, il server restituisce il codice di stato 200.

  3. Esegui questo comando per inviare al server del container una richiesta di previsione utilizzando il payload generato in precedenza e ottenere risposte di previsione:

    curl -X POST \
  -H "Content-Type: application/json" \
  -d @instances.json \
  localhost:8000/v2/models/object_detector/infer |
jq -c '.outputs[] | select(.name == "detection_classes")'

    Questa richiesta utilizza una delle immagini di test incluse nell'esempio di rilevamento degli oggetti TensorFlow.

    In caso di esito positivo, il server restituisce la previsione seguente:

    {"name":"detection_classes","datatype":"FP32","shape":[1,300],"data":[38,1,...,44]}

  4. Per arrestare il container, esegui questo comando nella shell:

    docker stop local_object_detector

esegui il push dell'immagine container in Artifact Registry

Configurare Docker per accedere ad Artifact Registry. Quindi esegui il push dell'immagine container nel repository Artifact Registry.

  1. Per concedere alla tua installazione Docker locale l'autorizzazione per eseguire il push ad Artifact Registry nella regione scelta, esegui questo comando nella shell:

    gcloud auth configure-docker LOCATION-docker.pkg.dev
    • Sostituisci LOCATION con la regione in cui hai creato il repository in una sezione precedente.

  2. Per eseguire il push dell'immagine container solo ad Artifact Registry, esegui questo comando nella shell:

    docker push LOCATION-docker.pkg.dev/PROJECT_ID/getting-started-nvidia-triton/vertex-triton-inference

    Sostituisci quanto segue, come hai fatto nella sezione precedente:

    • LOCATION: la regione del tuo repository Artifact Registry, come specificato in una sezione precedente
    • PROJECT_ID: l'ID del tuo progetto Google Cloud

Deployment del modello

Crea un modello

Per creare una risorsa Model che utilizza un container personalizzato che esegue Triton, esegui questo comando gcloud ai models upload:

gcloud ai models upload \
  --region=LOCATION \
  --display-name=DEPLOYED_MODEL_NAME \
  --container-image-uri=LOCATION-docker.pkg.dev/PROJECT_ID/getting-started-nvidia-triton/vertex-triton-inference \
  --artifact-uri=MODEL_ARTIFACTS_REPOSITORY \
  --container-args='--strict-model-config=false'
  • LOCATION_ID: la regione in cui stai utilizzando Vertex AI.
  • PROJECT_ID: l'ID del tuo progetto Google Cloud
  • DEPLOYED_MODEL_NAME: un nome per DeployedModel. Puoi utilizzare anche il nome visualizzato di Model per DeployedModel.

L'argomento --container-args='--strict-model-config=false' consente a Triton di generare automaticamente la configurazione del modello.

Creazione di un endpoint

Prima che il modello possa essere utilizzato per fornire previsioni online, devi eseguirne il deployment su un endpoint. Se esegui il deployment di un modello in un endpoint esistente, puoi saltare questo passaggio. L'esempio seguente utilizza il comando gcloud ai endpoints create:

gcloud ai endpoints create \
  --region=LOCATION \
  --display-name=ENDPOINT_NAME

Sostituisci quanto segue:

  • LOCATION_ID: la regione in cui stai utilizzando Vertex AI.
  • ENDPOINT_NAME: il nome visualizzato dell'endpoint.

Lo strumento Google Cloud CLI potrebbe richiedere alcuni secondi per creare l'endpoint.

esegui il deployment del modello nell'endpoint

Quando l'endpoint è pronto, esegui il deployment del modello nell'endpoint. Quando esegui il deployment di un modello in un endpoint, il servizio associa le risorse fisiche al modello che esegue Triton per fornire previsioni online.

L'esempio seguente utilizza il comando gcloud ai endpoints deploy-model per eseguire il deployment di Model in un endpoint Triton in esecuzione sulle GPU per accelerare la pubblicazione delle previsioni e senza suddividere il traffico tra più risorse DeployedModel:

ENDPOINT_ID=$(gcloud ai endpoints list \
   --region=LOCATION \
   --filter=display_name=ENDPOINT_NAME \
   --format="value(name)") 

MODEL_ID=$(gcloud ai models list \
   --region=LOCATION \
   --filter=display_name=DEPLOYED_MODEL_NAME \
   --format="value(name)") 

gcloud ai endpoints deploy-model $ENDPOINT_ID \
  --region=LOCATION \
  --model=$MODEL_ID \
  --display-name=DEPLOYED_MODEL_NAME \
  --machine-type=MACHINE_TYPE \
  --min-replica-count=MIN_REPLICA_COUNT \
  --max-replica-count=MAX_REPLICA_COUNT \
  --accelerator=count=ACCELERATOR_COUNT,type=ACCELERATOR_TYPE \
  --traffic-split=0=100

Sostituisci quanto segue:

  • LOCATION_ID: la regione in cui stai utilizzando Vertex AI.
  • ENDPOINT_NAME: il nome visualizzato dell'endpoint.
  • DEPLOYED_MODEL_NAME: un nome per DeployedModel. Puoi utilizzare anche il nome visualizzato di Model per DeployedModel.
  • MACHINE_TYPE: facoltativo. Le risorse della macchina utilizzate per ogni nodo di questo deployment. L'impostazione predefinita è n1-standard-2. Scopri di più sui tipi di macchina.
  • MIN_REPLICA_COUNT: numero minimo di nodi per questo deployment. Il numero di nodi può essere aumentato o diminuito in base al carico della previsione, fino al numero massimo di nodi e mai inferiore a questo numero di nodi.
  • MAX_REPLICA_COUNT: il numero massimo di nodi per questo deployment. Il conteggio dei nodi può essere aumentato o diminuito in base al carico della previsione fino a questo numero di nodi, ma mai inferiore al numero minimo di nodi.
  • ACCELERATOR_TYPE: gestisci la configurazione dell'acceleratore per la pubblicazione delle GPU. Quando esegui il deployment di un modello con tipi di macchine Compute Engine, è possibile selezionare anche un acceleratore GPU e specificare il tipo. Le opzioni sono "nvidia-tesla-a100", "nvidia-tesla-p100", "nvidia-tesla-p4", "nvidia-tesla-t4", "nvidia-tesla-v100".
  • ACCELERATOR_COUNT: il numero di acceleratori da collegare a ogni macchina che esegue il job. Solitamente, è 1. Se non specificato, il valore predefinito è 1.

Lo strumento Google Cloud CLI potrebbe richiedere alcuni secondi per eseguire il deployment del modello nell'endpoint. Una volta eseguito correttamente il deployment del modello, questo comando visualizza il seguente output:

  Deployed a model to the endpoint xxxxx. Id of the deployed model: xxxxx.

Generazione di previsioni online dal modello di cui è stato eseguito il deployment

Per richiamare il modello tramite l'endpoint di Vertex AI Prediction, formatta la richiesta di previsione utilizzando un oggetto JSON di richiesta di inferenza standard o un oggetto JSON di richiesta di inferenza con un'estensione binaria e invia una richiesta all'endpoint REST rawPredict di Vertex AI Prediction.

L'esempio seguente utilizza il comando gcloud ai endpoints raw-predict:

ENDPOINT_ID=$(gcloud ai endpoints list \
   --region=LOCATION \
   --filter=display_name=ENDPOINT_NAME \
   --format="value(name)") 

gcloud ai endpoints raw-predict $ENDPOINT_ID \
  --region=LOCATION \
  --http-headers=Content-Type=application/json \
  --request @instances.json

Sostituisci quanto segue:

  • LOCATION_ID: la regione in cui stai utilizzando Vertex AI.
  • ENDPOINT_NAME: il nome visualizzato dell'endpoint.

L'endpoint restituisce la seguente risposta per una richiesta valida:

{
    "id": "0",
    "model_name": "object_detector",
    "model_version": "1",
    "outputs": [{
        "name": "detection_anchor_indices",
        "datatype": "FP32",
        "shape": [1, 300],
        "data": [2.0, 1.0, 0.0, 3.0, 26.0, 11.0, 6.0, 92.0, 76.0, 17.0, 58.0, ...]
    }]
}

esegui la pulizia

Per evitare ulteriori addebiti per Vertex AI e addebiti Artifact Registry, elimina le risorse Google Cloud che hai creato durante questo tutorial:

  1. Per annullare il deployment del modello nell'endpoint ed eliminare l'endpoint, esegui questo comando nella shell:

    ENDPOINT_ID=$(gcloud ai endpoints list \
   --region=LOCATION \
   --filter=display_name=ENDPOINT_NAME \
   --format="value(name)") 

DEPLOYED_MODEL_ID=$(gcloud ai endpoints describe $ENDPOINT_ID \
   --region=LOCATION \
   --format="value(deployedModels.id)")

gcloud ai endpoints undeploy-model $ENDPOINT_ID \
  --region=LOCATION \
  --deployed-model-id=$DEPLOYED_MODEL_ID

gcloud ai endpoints delete $ENDPOINT_ID \
   --region=LOCATION \
   --quiet

    Sostituisci LOCATION con la regione in cui hai creato il modello in una sezione precedente.

  2. Per eliminare il modello, esegui questo comando nella shell:

    MODEL_ID=$(gcloud ai models list \
   --region=LOCATION \
   --filter=display_name=DEPLOYED_MODEL_NAME \
   --format="value(name)") 

gcloud ai models delete $MODEL_ID \
   --region=LOCATION \
   --quiet

    Sostituisci LOCATION con la regione in cui hai creato il modello in una sezione precedente.

  3. Per eliminare il repository Artifact Registry e l'immagine container al suo interno, esegui questo comando nella shell:

    gcloud artifacts repositories delete getting-started-nvidia-triton \
  --location=LOCATION \
  --quiet

    Sostituisci LOCATION con la regione in cui hai creato il repository Artifact Registry in una sezione precedente.

Limitazioni

Passaggi successivi