Gestione delle previsioni con NVIDIA Triton

Questa pagina descrive come gestire le richieste di previsione con Server di inferenza NVIDIA Triton con Vertex AI Prediction. Server di inferenza NVIDIA Triton (Triton) è un servizio di inferenza di soluzioni NVIDIA, ottimizzata sia per CPU che per GPU, e semplifica dell'inferenza che gestisce il processo.

NVIDIA Triton su Vertex AI Prediction

Vertex AI Prediction supporta il deployment di modelli su Triton server di inferenza 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 richiesti che soddisfano i requisiti di Vertex AI per la pubblicazione personalizzata immagini container. L'immagine contiene il server di inferenza Triton con supporto per Modelli TensorFlow, PyTorch, TensorRT, ONNX e OpenVINO. L'immagine include anche FIL (Forest Inference Library) che supporta l'esecuzione di framework ML come XGBoost, LightGBM, e Scikit-Learn.

Triton carica i modelli ed espone inferenza, integrità e modello gestione degli endpoint REST che utilizzano l'inferenza standard protocolli. Durante il deployment di un modello in Vertex AI, Triton riconosce Ambienti Vertex AI e adotta il protocollo Vertex AI Prediction per controlli di integrità e 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 l'implementazione di più modelli e una combinazione framework e formati di modelli: TensorFlow (SavedModel e GraphDef), Backend PyTorch (TorchScript), TensorRT, ONNX, OpenVINO e FIL da supportare come XGBoost, LightGBM, Scikit-Learn e qualsiasi Python o C++.
  • Esecuzione simultanea di più modelli. Triton consente più istanze dello stesso modello o entrambi da eseguire contemporaneamente la stessa risorsa di computing con zero o più GPU.
  • Assemblaggio dei modelli (chaining o pipelining): Triton ensemble supporta i casi d'uso in cui più modelli sono composti come una pipeline (o un DAG, Directed Acyclic Graph) con ingressi e tensori di uscita collegati tra di loro. Inoltre, con un backend Triton Python, puoi includono qualsiasi logica di flusso di pre-elaborazione, post-elaborazione o controllo definita Business Logic Scripting (BLS).
  • Esegui su backend CPU e GPU: Triton supporta l'inferenza per 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 dei batch. Questi algoritmi di combinare 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 Triton documentazione.

Immagini container NVIDIA Triton disponibili

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

xx e yy fanno riferimento alle versioni maggiori e minori di Tritone, rispettivamente.

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

  • È registrato un modello ML che deve essere gestito da Triton. Vertex AI Model Registry. I metadati del modello fanno riferimento a una posizione gli artefatti del modello in Cloud Storage, il container di pubblicazione personalizzato e la sua configurazione.
  • Il deployment del modello da Vertex AI Model Registry viene eseguito in una Endpoint Vertex AI Prediction che esegue l'inferenza di Triton come container personalizzato sui nodi di computing con CPU e GPU.
  • Le richieste di inferenza arrivano al server di inferenza di Triton attraverso un endpoint Vertex AI Prediction e indirizzato allo scheduler appropriato.
  • Il backend esegue l'inferenza utilizzando gli input forniti nella e restituisce una risposta.
  • Triton fornisce endpoint per il recupero e l'attività, che consentono l'integrazione di Triton negli 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) Vertex AI Prediction, che fornisce previsioni online. Esegui il deployment di un container che esegue Triton per fornire previsioni da un modello per il rilevamento di oggetti TensorFlow Hub che è stato preaddestrato sulla base Set di dati COCO 2017. Puoi e poi usare Vertex AI Prediction per rilevare 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 usare Cloud Shell per interagire con Google Cloud. Se vuoi una shell Bash diversa da Cloud Shell eseguire la seguente 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 e Docker.

Creazione e push dell'immagine container

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

Scarica artefatti del modello

Gli artefatti del modello sono file creati dall'addestramento ML che puoi utilizzare per pubblicare per le previsioni. Contengono almeno la struttura e ponderazioni di per il modello ML addestrato. Il formato degli artefatti del modello dipende da quale ML il framework che usi per l'addestramento.

Per questo tutorial, anziché addestrare un modello da zero, scarica l'oggetto di rilevamento del traffico TensorFlow Hub che è stato addestrato sul set di dati COCO 2017. Tritone si aspetta repository di modelli nella seguente struttura per la pubblicazione Formato TensorFlow SavedModel:

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

Il file config.pbtxt descrive configurazione del modello per il modello. Per impostazione predefinita, il file di configurazione del modello che contiene le informazioni richieste è necessario specificare le impostazioni predefinite. Tuttavia, se Tritone inizia con --strict-model-config=false e, in alcuni casi, il modello la configurazione può essere generati automaticamente di Triton e non deve essere fornito esplicitamente. Nello specifico, i modelli TensorRT, TensorFlow SavedModel e ONNX non richiedono un di configurazione del modello perché Triton può ricavare tutti i automaticamente le impostazioni richieste. Tutti gli altri tipi di modello devono fornire un modello di configurazione del deployment.

# 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 seguenti:

./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

Viene eseguito il push degli artefatti del modello scaricati, incluso il file di configurazione del modello un bucket Cloud Storage specificato da MODEL_ARTIFACTS_REPOSITORY, che può essere utilizzato quando crei la risorsa del 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 prossima sezione.

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 per archiviare l'immagine container. Poi devi creare un'istanza Vertex AI su un endpoint a livello di regione che corrisponde a questa regione, quindi scegli una regione in cui Vertex AI ha una regione endpoint, 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 creare un'immagine container che esegue Triton e si allinea con il container personalizzato di Vertex AI di sicurezza per in fase di pubblicazione. Puoi eseguire il pull dell'immagine utilizzando docker e taggare Artifact Registry percorso 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 account Google Cloud progetto

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 genera 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 in Artifact Registry per utilizzarla con Vertex AI Prediction, puoi eseguirlo come container per verificare che il server funzioni come previsto:

  1. Per eseguire l'immagine container in locale, esegui questo comando della tua 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 account Google Cloud progetto
    • MODEL_ARTIFACTS_REPOSITORY: il percorso di Cloud Storage in cui gli artefatti del modello

    Questo comando esegue un container in , mappatura la porta 8000 del container alla porta 8000 del dell'ambiente locale. L'immagine di Triton di NGC configura Triton per utilizzare la porta 8000.

  2. Per inviare al server del container un controllo, 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 una previsione al server del container utilizzando il payload generato in precedenza e ottieni le 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 uno dei prova immagini 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. Poi esegui il push dell'immagine container del repository Artifact Registry.

  1. per concedere alla tua installazione Docker locale l'autorizzazione per eseguire il push a Artifact Registry nella regione scelta, esegui questo comando 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 tua 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 account Google Cloud progetto

Deployment del modello

Crea un modello

Per creare una risorsa Model che utilizza un container personalizzato in esecuzione Tritone, esegui questo gcloud ai models upload comando:

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 account Google Cloud progetto
  • DEPLOYED_MODEL_NAME: un nome per DeployedModel. Puoi utilizzare il nome visualizzato Model anche per DeployedModel.

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

Creazione di un endpoint

Devi eseguire il deployment del modello su un endpoint prima che il modello possa essere utilizzato le previsioni online. Se esegui il deployment di un modello in un endpoint esistente, puoi saltare questo passaggio. L'esempio seguente utilizza il metodo gcloud ai endpoints create comando:

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 un modello a un endpoint, il servizio associa le risorse fisiche al modello che esegue Triton per fornire previsioni online.

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

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 il nome visualizzato Model anche per DeployedModel.
  • MACHINE_TYPE: facoltativo. Le risorse macchina utilizzate per ogni nodo e deployment continuo. 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 conteggio dei nodi può essere aumentato o diminuito in base al carico della previsione. fino al numero massimo di nodi e mai meno di questo numero.
  • 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 e mai meno del numero minimo di nodi.
  • ACCELERATOR_TYPE: gestisci la configurazione dell'acceleratore per la pubblicazione delle GPU. Durante il deployment di un modello con tipi di macchina Compute Engine, viene usato un acceleratore GPU e il tipo deve essere specificato. Le scelte 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 acceleratore 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 endpoint. Una volta eseguito 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 Vertex AI Prediction, formatta la richiesta di previsione mediante un oggetto JSON standard Inference Request . oppure un oggetto JSON di richiesta di inferenza con estensione binaria e invia una richiesta a Vertex AI Prediction REST rawPredict endpoint.

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

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 incorrere in Vertex AI addebiti e Artifact Registry addebiti, 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 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 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