update some errors
stephon
parent
4e0ca2d003
commit
4ebc63412b
|
|
@ -1,236 +0,0 @@
|
|||
# 模型服务化部署
|
||||
- [1. 简介](#1)
|
||||
- [2. Serving 安装](#2)
|
||||
- [3. 图像分类服务部署](#3)
|
||||
- [3.1 模型转换](#3.1)
|
||||
- [3.2 服务部署和请求](#3.2)
|
||||
- [4. 图像识别服务部署](#4)
|
||||
- [4.1 模型转换](#4.1)
|
||||
- [4.2 服务部署和请求](#4.2)
|
||||
- [5. FAQ](#5)
|
||||
|
||||
<a name="1"></a>
|
||||
## 1. 简介
|
||||
[Paddle Serving](https://github.com/PaddlePaddle/Serving) 旨在帮助深度学习开发者轻松部署在线预测服务，支持一键部署工业级的服务能力、客户端和服务端之间高并发和高效通信、并支持多种编程语言开发客户端。
|
||||
|
||||
该部分以 HTTP 预测服务部署为例，介绍怎样在 PaddleClas 中使用 PaddleServing 部署模型服务。目前只支持 Linux 平台部署，暂不支持 Windows 平台。
|
||||
|
||||
<a name="2"></a>
|
||||
## 2. Serving 安装
|
||||
|
||||
Serving 官网推荐使用 docker 安装并部署 Serving 环境。首先需要拉取 docker 环境并创建基于 Serving 的 docker。
|
||||
|
||||
```shell
|
||||
docker pull paddlepaddle/serving:0.7.0-cuda10.2-cudnn7-devel
|
||||
nvidia-docker run -p 9292:9292 --name test -dit paddlepaddle/serving:0.7.0-cuda10.2-cudnn7-devel bash
|
||||
nvidia-docker exec -it test bash
|
||||
```
|
||||
|
||||
进入 docker 后，需要安装 Serving 相关的 python 包。
|
||||
|
||||
```shell
|
||||
pip3 install paddle-serving-client==0.7.0
|
||||
pip3 install paddle-serving-server==0.7.0 # CPU
|
||||
pip3 install paddle-serving-app==0.7.0
|
||||
pip3 install paddle-serving-server-gpu==0.7.0.post102 #GPU with CUDA10.2 + TensorRT6
|
||||
# 其他GPU环境需要确认环境再选择执行哪一条
|
||||
pip3 install paddle-serving-server-gpu==0.7.0.post101 # GPU with CUDA10.1 + TensorRT6
|
||||
pip3 install paddle-serving-server-gpu==0.7.0.post112 # GPU with CUDA11.2 + TensorRT8
|
||||
```
|
||||
|
||||
* 如果安装速度太慢，可以通过 `-i https://pypi.tuna.tsinghua.edu.cn/simple` 更换源，加速安装过程。
|
||||
* 其他环境配置安装请参考: [使用Docker安装Paddle Serving](https://github.com/PaddlePaddle/Serving/blob/v0.7.0/doc/Install_CN.md)
|
||||
|
||||
* 如果希望部署 CPU 服务，可以安装 serving-server 的 cpu 版本，安装命令如下。
|
||||
|
||||
```shell
|
||||
pip install paddle-serving-server
|
||||
```
|
||||
<a name="3"></a>
|
||||
|
||||
## 3. 图像分类服务部署
|
||||
<a name="3.1"></a>
|
||||
### 3.1 模型转换
|
||||
使用 PaddleServing 做服务化部署时，需要将保存的 inference 模型转换为 Serving 模型。下面以经典的 ResNet50_vd 模型为例，介绍如何部署图像分类服务。
|
||||
- 进入工作目录：
|
||||
```shell
|
||||
cd deploy/paddleserving
|
||||
```
|
||||
- 下载 ResNet50_vd 的 inference 模型：
|
||||
```shell
|
||||
# 下载并解压 ResNet50_vd 模型
|
||||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/ResNet50_vd_infer.tar && tar xf ResNet50_vd_infer.tar
|
||||
```
|
||||
- 用 paddle_serving_client 把下载的 inference 模型转换成易于 Server 部署的模型格式：
|
||||
```
|
||||
# 转换 ResNet50_vd 模型
|
||||
python3 -m paddle_serving_client.convert --dirname ./ResNet50_vd_infer/ \
|
||||
--model_filename inference.pdmodel \
|
||||
--params_filename inference.pdiparams \
|
||||
--serving_server ./ResNet50_vd_serving/ \
|
||||
--serving_client ./ResNet50_vd_client/
|
||||
```
|
||||
ResNet50_vd 推理模型转换完成后，会在当前文件夹多出 `ResNet50_vd_serving` 和 `ResNet50_vd_client` 的文件夹，具备如下格式：
|
||||
```
|
||||
|- ResNet50_vd_server/
|
||||
|- inference.pdiparams
|
||||
|- inference.pdmodel
|
||||
|- serving_server_conf.prototxt
|
||||
|- serving_server_conf.stream.prototxt
|
||||
|- ResNet50_vd_client
|
||||
|- serving_client_conf.prototxt
|
||||
|- serving_client_conf.stream.prototxt
|
||||
```
|
||||
得到模型文件之后，需要修改 `ResNet50_vd_server` 下文件 `serving_server_conf.prototxt` 中的 alias 名字：将 `fetch_var` 中的 `alias_name` 改为 `prediction`
|
||||
|
||||
**备注**: Serving 为了兼容不同模型的部署，提供了输入输出重命名的功能。这样，不同的模型在推理部署时，只需要修改配置文件的 alias_name 即可，无需修改代码即可完成推理部署。
|
||||
修改后的 serving_server_conf.prototxt 如下所示:
|
||||
```
|
||||
feed_var {
|
||||
name: "inputs"
|
||||
alias_name: "inputs"
|
||||
is_lod_tensor: false
|
||||
feed_type: 1
|
||||
shape: 3
|
||||
shape: 224
|
||||
shape: 224
|
||||
}
|
||||
fetch_var {
|
||||
name: "save_infer_model/scale_0.tmp_1"
|
||||
alias_name: "prediction"
|
||||
is_lod_tensor: false
|
||||
fetch_type: 1
|
||||
shape: 1000
|
||||
}
|
||||
```
|
||||
<a name="3.2"></a>
|
||||
### 3.2 服务部署和请求
|
||||
paddleserving 目录包含了启动 pipeline 服务和发送预测请求的代码，包括：
|
||||
```shell
|
||||
__init__.py
|
||||
config.yml # 启动服务的配置文件
|
||||
pipeline_http_client.py # http方式发送pipeline预测请求的脚本
|
||||
pipeline_rpc_client.py # rpc方式发送pipeline预测请求的脚本
|
||||
classification_web_service.py # 启动pipeline服务端的脚本
|
||||
```
|
||||
|
||||
- 启动服务：
|
||||
```shell
|
||||
# 启动服务，运行日志保存在 log.txt
|
||||
python3 classification_web_service.py &>log.txt &
|
||||
```
|
||||
成功启动服务后，log.txt 中会打印类似如下日志
|
||||
|
||||
|
||||
- 发送请求：
|
||||
```shell
|
||||
# 发送服务请求
|
||||
python3 pipeline_http_client.py
|
||||
```
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果示例为：
|
||||
|
||||
|
||||
<a name="4"></a>
|
||||
## 4.图像识别服务部署
|
||||
使用 PaddleServing 做服务化部署时，需要将保存的 inference 模型转换为 Serving 模型。 下面以 PP-ShiTu 中的超轻量图像识别模型为例，介绍图像识别服务的部署。
|
||||
<a name="4.1"></a>
|
||||
## 4.1 模型转换
|
||||
- 下载通用检测 inference 模型和通用识别 inference 模型
|
||||
```
|
||||
cd deploy
|
||||
# 下载并解压通用识别模型
|
||||
wget -P models/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/general_PPLCNet_x2_5_lite_v1.0_infer.tar
|
||||
cd models
|
||||
tar -xf general_PPLCNet_x2_5_lite_v1.0_infer.tar
|
||||
# 下载并解压通用检测模型
|
||||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
|
||||
tar -xf picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
|
||||
```
|
||||
- 转换识别 inference 模型为 Serving 模型：
|
||||
```
|
||||
# 转换识别模型
|
||||
python3 -m paddle_serving_client.convert --dirname ./general_PPLCNet_x2_5_lite_v1.0_infer/ \
|
||||
--model_filename inference.pdmodel \
|
||||
--params_filename inference.pdiparams \
|
||||
--serving_server ./general_PPLCNet_x2_5_lite_v1.0_serving/ \
|
||||
--serving_client ./general_PPLCNet_x2_5_lite_v1.0_client/
|
||||
```
|
||||
识别推理模型转换完成后，会在当前文件夹多出 `general_PPLCNet_x2_5_lite_v1.0_serving/` 和 `general_PPLCNet_x2_5_lite_v1.0_client/` 的文件夹。修改 `general_PPLCNet_x2_5_lite_v1.0_serving/` 目录下的 serving_server_conf.prototxt 中的 alias 名字： 将 `fetch_var` 中的 `alias_name` 改为 `features`。
|
||||
修改后的 serving_server_conf.prototxt 内容如下：
|
||||
```
|
||||
feed_var {
|
||||
name: "x"
|
||||
alias_name: "x"
|
||||
is_lod_tensor: false
|
||||
feed_type: 1
|
||||
shape: 3
|
||||
shape: 224
|
||||
shape: 224
|
||||
}
|
||||
fetch_var {
|
||||
name: "save_infer_model/scale_0.tmp_1"
|
||||
alias_name: "features"
|
||||
is_lod_tensor: false
|
||||
fetch_type: 1
|
||||
shape: 512
|
||||
}
|
||||
```
|
||||
- 转换通用检测 inference 模型为 Serving 模型：
|
||||
```
|
||||
# 转换通用检测模型
|
||||
python3 -m paddle_serving_client.convert --dirname ./picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer/ \
|
||||
--model_filename inference.pdmodel \
|
||||
--params_filename inference.pdiparams \
|
||||
--serving_server ./picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving/ \
|
||||
--serving_client ./picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/
|
||||
```
|
||||
检测 inference 模型转换完成后，会在当前文件夹多出 `picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving/` 和 `picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/` 的文件夹。
|
||||
|
||||
**注意:** 此处不需要修改 `picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving/` 目录下的 serving_server_conf.prototxt 中的 alias 名字。
|
||||
|
||||
- 下载并解压已经构建后的检索库 index
|
||||
```
|
||||
cd ../
|
||||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/drink_dataset_v1.0.tar && tar -xf drink_dataset_v1.0.tar
|
||||
```
|
||||
<a name="4.2"></a>
|
||||
## 4.2 服务部署和请求
|
||||
**注意:** 识别服务涉及到多个模型，出于性能考虑采用 PipeLine 部署方式。Pipeline 部署方式当前不支持 windows 平台。
|
||||
- 进入到工作目录
|
||||
```shell
|
||||
cd ./deploy/paddleserving/recognition
|
||||
```
|
||||
paddleserving 目录包含启动 pipeline 服务和发送预测请求的代码，包括：
|
||||
```
|
||||
__init__.py
|
||||
config.yml # 启动服务的配置文件
|
||||
pipeline_http_client.py # http方式发送pipeline预测请求的脚本
|
||||
pipeline_rpc_client.py # rpc方式发送pipeline预测请求的脚本
|
||||
recognition_web_service.py # 启动pipeline服务端的脚本
|
||||
```
|
||||
- 启动服务：
|
||||
```
|
||||
# 启动服务，运行日志保存在 log.txt
|
||||
python3 recognition_web_service.py &>log.txt &
|
||||
```
|
||||
成功启动服务后，log.txt 中会打印类似如下日志
|
||||
|
||||
|
||||
- 发送请求：
|
||||
```
|
||||
python3 pipeline_http_client.py
|
||||
```
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果示例为：
|
||||
|
||||
|
||||
<a name="5"></a>
|
||||
## 5.FAQ
|
||||
**Q1**： 发送请求后没有结果返回或者提示输出解码报错
|
||||
|
||||
**A1**： 启动服务和发送请求时不要设置代理，可以在启动服务前和发送请求前关闭代理，关闭代理的命令是：
|
||||
```
|
||||
unset https_proxy
|
||||
unset http_proxy
|
||||
```
|
||||
|
||||
更多的服务部署类型，如 `RPC 预测服务` 等，可以参考 Serving 的[github 官网](https://github.com/PaddlePaddle/Serving/tree/v0.7.0/examples)
|
||||
|
|
@ -0,0 +1 @@
|
|||
../../docs/zh_CN/inference_deployment/paddle_serving_deploy.md
|
||||
|
|
@ -1,7 +1,7 @@
|
|||
nohup python3 -m paddle_serving_server.serve \
|
||||
--model picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving \
|
||||
--model ../../models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving \
|
||||
--port 9293 >>log_mainbody_detection.txt 1&>2 &
|
||||
|
||||
nohup python3 -m paddle_serving_server.serve \
|
||||
--model general_PPLCNet_x2_5_lite_v1.0_serving \
|
||||
--model ../../models/general_PPLCNet_x2_5_lite_v1.0_serving \
|
||||
--port 9294 >>log_feature_extraction.txt 1&>2 &
|
||||
|
|
|
|||
|
|
@ -42,7 +42,7 @@ class MainbodyDetect():
|
|||
|
||||
self.client = Client()
|
||||
self.client.load_client_config(
|
||||
"picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/serving_client_conf.prototxt"
|
||||
"../../models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/serving_client_conf.prototxt"
|
||||
)
|
||||
self.client.connect(['127.0.0.1:9293'])
|
||||
|
||||
|
|
@ -50,9 +50,10 @@ class MainbodyDetect():
|
|||
self.conf_threshold = 0.2
|
||||
|
||||
def predict(self, imgpath):
|
||||
im, im_info = self.preprocess(sys.argv[1])
|
||||
im, im_info = self.preprocess(imgpath)
|
||||
im_shape = np.array(im.shape[1:]).reshape(-1)
|
||||
scale_factor = np.array(list(im_info['scale_factor'])).reshape(-1)
|
||||
|
||||
fetch_map = self.client.predict(
|
||||
feed={
|
||||
"image": im,
|
||||
|
|
@ -97,7 +98,7 @@ class ObjectRecognition():
|
|||
def __init__(self):
|
||||
self.client = Client()
|
||||
self.client.load_client_config(
|
||||
"general_PPLCNet_x2_5_lite_v1.0_client/serving_client_conf.prototxt"
|
||||
"../../models/general_PPLCNet_x2_5_lite_v1.0_client/serving_client_conf.prototxt"
|
||||
)
|
||||
self.client.connect(["127.0.0.1:9294"])
|
||||
|
||||
|
|
@ -192,9 +193,9 @@ if __name__ == "__main__":
|
|||
det = MainbodyDetect()
|
||||
rec = ObjectRecognition()
|
||||
|
||||
#1. get det_results
|
||||
det_results = det.predict(sys.argv[1])
|
||||
print(det_results)
|
||||
#1. get det_results
|
||||
imgpath = "../../drink_dataset_v1.0/test_images/001.jpeg"
|
||||
det_results = det.predict(imgpath)
|
||||
|
||||
#2. get rec_results
|
||||
rec_results = rec.predict(det_results, sys.argv[1])
|
||||
|
|
|
|||
|
|
@ -133,16 +133,16 @@ test_cpp_serving_client.py # rpc方式发送C++ serving预测请求的脚本
|
|||
# 启动服务，运行日志保存在 log.txt
|
||||
python3 classification_web_service.py &>log.txt &
|
||||
```
|
||||
成功启动服务后，log.txt 中会打印类似如下日志
|
||||
|
||||
|
||||
- 发送请求：
|
||||
```shell
|
||||
# 发送服务请求
|
||||
python3 pipeline_http_client.py
|
||||
```
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果示例为：
|
||||
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果如下：
|
||||
```
|
||||
{'err_no': 0, 'err_msg': '', 'key': ['label', 'prob'], 'value': ["['daisy']", '[0.9341402053833008]'], 'tensors': []}
|
||||
```
|
||||
|
||||
<a name="3.2.2"></a>
|
||||
#### 3.2.2 C++ Serving
|
||||
|
|
@ -157,8 +157,10 @@ sh run_cpp_serving.sh
|
|||
# 发送服务请求
|
||||
python3 test_cpp_serving_client.py
|
||||
```
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果示例为：
|
||||
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果如下：
|
||||
```
|
||||
prediction: daisy, probability: 0.9341399073600769
|
||||
```
|
||||
|
||||
<a name="4"></a>
|
||||
## 4.图像识别服务部署
|
||||
|
|
@ -185,11 +187,7 @@ python3 -m paddle_serving_client.convert --dirname ./general_PPLCNet_x2_5_lite_v
|
|||
--serving_server ./general_PPLCNet_x2_5_lite_v1.0_serving/ \
|
||||
--serving_client ./general_PPLCNet_x2_5_lite_v1.0_client/
|
||||
```
|
||||
<<<<<<< HEAD
|
||||
识别推理模型转换完成后，会在当前文件夹多出 `general_PPLCNet_x2_5_lite_v1.0_serving/` 和 `general_PPLCNet_x2_5_lite_v1.0_serving/` 的文件夹。分别修改 `general_PPLCNet_x2_5_lite_v1.0_serving/` 和 `general_PPLCNet_x2_5_lite_v1.0_client/` 目录下的 serving_server_conf.prototxt 中的 alias 名字： 将 `fetch_var` 中的 `alias_name` 改为 `features`。
|
||||
=======
|
||||
识别推理模型转换完成后，会在当前文件夹多出 `general_PPLCNet_x2_5_lite_v1.0_serving/` 和 `general_PPLCNet_x2_5_lite_v1.0_client/` 的文件夹。修改 `general_PPLCNet_x2_5_lite_v1.0_serving/` 目录下的 serving_server_conf.prototxt 中的 alias 名字： 将 `fetch_var` 中的 `alias_name` 改为 `features`。
|
||||
>>>>>>> d69a6e8f242cd894b41e9608bbca23172bcd3193
|
||||
修改后的 serving_server_conf.prototxt 内容如下：
|
||||
```
|
||||
feed_var {
|
||||
|
|
@ -241,8 +239,8 @@ config.yml # 启动python pipeline服务的配置文件
|
|||
pipeline_http_client.py # http方式发送pipeline预测请求的脚本
|
||||
pipeline_rpc_client.py # rpc方式发送pipeline预测请求的脚本
|
||||
recognition_web_service.py # 启动pipeline服务端的脚本
|
||||
run_cpp_serving.sh # 启动C++ Serving部署的脚本
|
||||
test_cpp_serving_client.py # rpc方式发送C++ serving预测请求的脚本
|
||||
run_cpp_serving.sh # 启动C++ Pipeline Serving部署的脚本
|
||||
test_cpp_serving_client.py # rpc方式发送C++ Pipeline serving预测请求的脚本
|
||||
```
|
||||
|
||||
<a name="4.2.1"></a>
|
||||
|
|
@ -252,15 +250,15 @@ test_cpp_serving_client.py # rpc方式发送C++ serving预测请求的脚本
|
|||
# 启动服务，运行日志保存在 log.txt
|
||||
python3 recognition_web_service.py &>log.txt &
|
||||
```
|
||||
成功启动服务后，log.txt 中会打印类似如下日志
|
||||
|
||||
|
||||
- 发送请求：
|
||||
```
|
||||
python3 pipeline_http_client.py
|
||||
```
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果示例为：
|
||||
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果如下：
|
||||
```
|
||||
{'err_no': 0, 'err_msg': '', 'key': ['result'], 'value': ["[{'bbox': [345, 95, 524, 576], 'rec_docs': '红牛-强化型', 'rec_scores': 0.79903316}]"], 'tensors': []}
|
||||
```
|
||||
|
||||
<a name="4.2.2"></a>
|
||||
#### 4.2.2 C++ Serving
|
||||
|
|
@ -276,8 +274,10 @@ sh run_cpp_serving.sh
|
|||
# 发送服务请求
|
||||
python3 test_cpp_serving_client.py
|
||||
```
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果示例为：
|
||||
|
||||
成功运行后，模型预测的结果会打印在 cmd 窗口中，结果如下所示：
|
||||
```
|
||||
[{'bbox': [345, 95, 524, 586], 'rec_docs': '红牛-强化型', 'rec_scores': 0.8016462}]
|
||||
```
|
||||
|
||||
<a name="5"></a>
|
||||
## 5.FAQ
|
||||
|
|
|
|||
Loading…
Reference in New Issue