6.1 KiB

Raw Blame History

PaddleClas 服务化部署

(English|简体中文)

PaddleClas提供2种服务部署方式：

基于PaddleHub Serving的部署：代码路径为"./deploy/hubserving"，使用方法参考文档；
基于PaddleServing的部署：代码路径为"./deploy/paddleserving"，基于检索方式的图像识别服务参考文档，图像分类服务按照本教程使用。

基于PaddleServing的图像分类服务部署

本文档以经典的ResNet50_vd模型为例，介绍如何使用PaddleServing工具部署PaddleClas 动态图模型的pipeline在线服务。

相比较于hubserving部署，PaddleServing具备以下优点：

支持客户端和服务端之间高并发和高效通信
支持工业级的服务能力例如模型管理，在线加载，在线A/B测试等
支持多种编程语言开发客户端，例如C++, Python和Java

更多有关PaddleServing服务化部署框架介绍和使用教程参考文档。

环境准备

需要准备PaddleClas的运行环境和PaddleServing的运行环境。

准备PaddleClas的运行环境, 根据环境下载对应的paddle whl包，推荐安装2.1.0版本
准备PaddleServing的运行环境，步骤如下

安装serving，用于启动服务

pip3 install paddle-serving-server==0.6.1 # for CPU
pip3 install paddle-serving-server-gpu==0.6.1 # for GPU
# 其他GPU环境需要确认环境再选择执行如下命令
pip3 install paddle-serving-server-gpu==0.6.1.post101 # GPU with CUDA10.1 + TensorRT6
pip3 install paddle-serving-server-gpu==0.6.1.post11 # GPU with CUDA11 + TensorRT7

安装client，用于向服务发送请求在下载链接中找到对应python版本的client安装包，这里推荐python3.7版本：

wget https://paddle-serving.bj.bcebos.com/test-dev/whl/paddle_serving_client-0.0.0-cp37-none-any.whl
pip3 install paddle_serving_client-0.0.0-cp37-none-any.whl

安装serving-app
```
pip3 install paddle-serving-app==0.6.1
```
Note: 如果要安装最新版本的PaddleServing参考链接。

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易于部署的模型。

首先，下载ResNet50_vd的inference模型

# 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

接下来，用安装的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_client/
  |- __model__  
  |- __params__
  |- 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serving_server_conf.prototxt中的alias名字：将feed_var中的alias_name改为image, 将fetch_var中的alias_name改为prediction, 修改后的serving_server_conf.prototxt内容如下：

feed_var {
  name: "inputs"
  alias_name: "image"
  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: true
  fetch_type: 1
  shape: -1
}

Paddle Serving pipeline部署

下载PaddleClas代码，若已下载可跳过此步骤

git clone https://github.com/PaddlePaddle/PaddleClas

# 进入到工作目录
cd PaddleClas/deploy/paddleserving/

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
classification_web_service.py    # 启动pipeline服务端的脚本

启动服务可运行如下命令：

# 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：

调整 config.yml 中的并发个数可以获得最大的QPS
```
op:
    #并发数，is_thread_op=True时，为线程并发；否则为进程并发
    concurrency: 8
    ...
```
有需要的话可以同时发送多个服务请求

预测性能数据会被自动写入 PipelineServingLogs/pipeline.tracer 文件中。

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

6.1 KiB Raw Blame History Unescape Escape