Platform For AI:Blade と TensorRT プラグインを使用した RetinaNet の最適化

制限事項

操作手順

ステップ 1: TensorRT プラグインを使用した PyTorch モデルの作成

Blade は TensorRT 拡張メカニズムと連携して協調的な最適化を行うことができます。このセクションでは、TensorRT 拡張を使用して RetinaNet の後処理部分を実装する方法について説明します。TensorRT プラグインの開発とコンパイルの詳細については、NVIDIA Deep Learning TensorRT ドキュメントをご参照ください。このトピックの RetinaNet 後処理部分のプログラムロジックは、NVIDIA オープンソースコミュニティのものです。詳細については、Retinanet-Examples をご参照ください。このトピックでは、コアコードを抜粋して、カスタム演算子の開発と実装プロセスを説明します。

1. サンプルコードをダウンロードして解凍します。

   wget -nv https://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/tutorials/retinanet_example/retinanet-examples.tar.gz -O retinanet-examples.tar.gz
   tar xvfz retinanet-examples.tar.gz 1>/dev/null

2. TensorRT プラグインをコンパイルします。

   サンプルコードには、RetinaNet の decode および nms 後処理のための TensorRT プラグインの実装と登録が含まれています。PyTorch の公式ドキュメントでは、カスタム演算子をコンパイルする 3 つの方法 (CMake でのビルド、Just-in-Time (JIT) コンパイル、Setuptools でのビルド) が提供されています。詳細については、EXTENDING TORCHSCRIPT WITH CUSTOM C++ OPERATORS をご参照ください。これらの 3 つのコンパイル方法は、さまざまなシナリオに適しています。ニーズに応じて選択できます。簡単にするために、このトピックでは JIT コンパイル方法を使用します。以下はサンプルコードです。

   説明

   コンパイルする前に、TensorRT、CUDA、CUDNN などの依存ライブラリを設定する必要があります。

   import torch.utils.cpp_extension
   import os
   
   codebase="retinanet-examples"
   sources=['csrc/plugins/plugin.cpp',
            'csrc/cuda/decode.cu',
            'csrc/cuda/nms.cu',]
   sources = [os.path.join(codebase,src) for src in sources]
   torch.utils.cpp_extension.load(
       name="plugin",
       sources=sources,
       build_directory=codebase,
       extra_include_paths=['/usr/local/TensorRT/include/', '/usr/local/cuda/include/', '/usr/local/cuda/include/thrust/system/cuda/detail'],
       extra_cflags=['-std=c++14', '-O2', '-Wall'],
       extra_ldflags=['-L/usr/local/TensorRT/lib/', '-lnvinfer'],
       extra_cuda_cflags=[
           '-std=c++14', '--expt-extended-lambda',
           '--use_fast_math', '-Xcompiler', '-Wall,-fno-gnu-unique',
           '-gencode=arch=compute_75,code=sm_75',],
       is_python_module=False,
       with_cuda=True,
       verbose=False,
   )

3. RetinaNet 畳み込みモデル部分をカプセル化します。

   RetinaNet モデル部分を個別の RetinaNetBackboneAndHeads モジュールにカプセル化します。

   import torch
   from typing import List
   from torch import Tensor
   from torch.testing import assert_allclose
   from detectron2 import model_zoo
   
   # このクラスは、RetinaNet のバックボーンと RPN ヘッドをカプセル化します。
   class RetinaNetBackboneAndHeads(torch.nn.Module):
   
       def __init__(self, model):
           super().__init__()
           self.model = model
   
       def preprocess(self, img):
           batched_inputs = [{"image": img}]
           images = self.model.preprocess_image(batched_inputs)
           return images.tensor
   
       def forward(self, images):
           features = self.model.backbone(images)
           features = [features[f] for f in self.model.head_in_features]
           cls_heads, box_heads = self.model.head(features)
           cls_heads = [cls.sigmoid() for cls in cls_heads]
           box_heads = [b.contiguous() for b in box_heads]
           return cls_heads, box_heads
   
   retinanet_model = model_zoo.get("COCO-Detection/retinanet_R_50_FPN_3x.yaml", trained=True).eval()
   retinanet_bacbone_heads = RetinaNetBackboneAndHeads(retinanet_model)

4. TensorRT プラグインを使用して RetinaNet 後処理ネットワークをビルドします。すでに TensorRT エンジンを作成している場合は、このステップをスキップできます。

   1. TensorRT エンジンを作成します。

      TensorRT プラグインを有効にするには、次の機能を実装する必要があります。

      • ctypes.cdll.LoadLibrary を使用して、コンパイルされた plugin.so ファイルを動的にロードします。

      • build_retinanet_decode 関数は、tensorrt Python API を使用して後処理ネットワークをビルドし、それをエンジンにビルドします。

      以下はサンプルコードです。

      import os
      import numpy as np
      import tensorrt as trt
      
      import ctypes
      # TensorRT プラグインのダイナミックリンクライブラリをロードします。
      codebase="retinanet-examples"
      ctypes.cdll.LoadLibrary(os.path.join(codebase, 'plugin.so'))
      
      TRT_LOGGER = trt.Logger()
      trt.init_libnvinfer_plugins(TRT_LOGGER, "")
      PLUGIN_CREATORS = trt.get_plugin_registry().plugin_creator_list
      
      # TensorRT プラグイン関数を取得します。
      def get_trt_plugin(plugin_name, field_collection):
          plugin = None
          for plugin_creator in PLUGIN_CREATORS:
              if plugin_creator.name != plugin_name:
                  continue
              if plugin_name == "RetinaNetDecode":
                  plugin = plugin_creator.create_plugin(
                      name=plugin_name, field_collection=field_collection
                  )
              if plugin_name == "RetinaNetNMS":
                  plugin = plugin_creator.create_plugin(
                      name=plugin_name, field_collection=field_collection
                  )
          assert plugin is not None, "plugin not found"
          return plugin
      
      # TensorRT ネットワークをビルドする関数。
      def build_retinanet_decode(example_outputs,
              input_image_shape,
              anchors_list,
              test_score_thresh = 0.05,
              test_nms_thresh = 0.5,
              test_topk_candidates = 1000,
              max_detections_per_image = 100,
          ):
          builder = trt.Builder(TRT_LOGGER)
          EXPLICIT_BATCH = 1 << (int)(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)
          network = builder.create_network(EXPLICIT_BATCH)
          config = builder.create_builder_config()
          config.max_workspace_size = 3 ** 20
      
          cls_heads, box_heads = example_outputs
          profile = builder.create_optimization_profile()
          decode_scores = []
          decode_boxes = []
          decode_class = []
      
          input_blob_names = []
          input_blob_types = []
          def _add_input(head_tensor, head_name):
              input_blob_names.append(head_name)
              input_blob_types.append("Float")
              head_shape = list(head_tensor.shape)[-3:]
              profile.set_shape(
                   head_name, [1] + head_shape, [20] + head_shape, [1000] + head_shape)
              return network.add_input(
                  name=head_name, dtype=trt.float32, shape=[-1] + head_shape
              )
      
          # ネットワーク入力をビルドします。
          cls_head_inputs = []
          cls_head_strides = [input_image_shape[-1] // cls_head.shape[-1] for cls_head in cls_heads]
          for idx, cls_head in enumerate(cls_heads):
              cls_head_name = "cls_head" + str(idx)
              cls_head_inputs.append(_add_input(cls_head, cls_head_name))
      
          box_head_inputs = []
          for idx, box_head in enumerate(box_heads):
              box_head_name = "box_head" + str(idx)
              box_head_inputs.append(_add_input(box_head, box_head_name))
      
          output_blob_names = []
          output_blob_types = []
          # デコードネットワークをビルドします。
          for idx, anchors in enumerate(anchors_list):
              field_coll = trt.PluginFieldCollection([
                  trt.PluginField("topk_candidates", np.array([test_topk_candidates], dtype=np.int32), trt.PluginFieldType.INT32),
                  trt.PluginField("score_thresh", np.array([test_score_thresh], dtype=np.float32), trt.PluginFieldType.FLOAT32),
                  trt.PluginField("stride", np.array([cls_head_strides[idx]], dtype=np.int32), trt.PluginFieldType.INT32),
                  trt.PluginField("num_anchors", np.array([anchors.numel()], dtype=np.int32), trt.PluginFieldType.INT32),
                  trt.PluginField("anchors", anchors.contiguous().cpu().numpy().astype(np.float32), trt.PluginFieldType.FLOAT32),]
              )
              decode_layer = network.add_plugin_v2(
                  inputs=[cls_head_inputs[idx], box_head_inputs[idx]],
                  plugin=get_trt_plugin("RetinaNetDecode", field_coll),
              )
              decode_scores.append(decode_layer.get_output(0))
              decode_boxes.append(decode_layer.get_output(1))
              decode_class.append(decode_layer.get_output(2))
      
          # NMS ネットワークをビルドします。
          scores_layer = network.add_concatenation(decode_scores)
          boxes_layer = network.add_concatenation(decode_boxes)
          class_layer = network.add_concatenation(decode_class)
          field_coll = trt.PluginFieldCollection([
                  trt.PluginField("nms_thresh", np.array([test_nms_thresh], dtype=np.float32), trt.PluginFieldType.FLOAT32),
                  trt.PluginField("max_detections_per_image", np.array([max_detections_per_image], dtype=np.int32), trt.PluginFieldType.INT32),]
              )
          nms_layer = network.add_plugin_v2(
             inputs=[scores_layer.get_output(0), boxes_layer.get_output(0), class_layer.get_output(0)],
             plugin=get_trt_plugin("RetinaNetNMS", field_coll),
          )
          nms_layer.get_output(0).name = "scores"
          nms_layer.get_output(1).name = "boxes"
          nms_layer.get_output(2).name = "classes"
          nms_outputs = [network.mark_output(nms_layer.get_output(k)) for k in range(3)]
          config.add_optimization_profile(profile)
          cuda_engine = builder.build_engine(network, config)
          assert cuda_engine is not None
          return cuda_engine

   2. RetinaNetBackboneAndHeads の実際の出力数、出力タイプ、および出力形状に基づいて cuda_engine を作成します。

      import numpy as np
      from detectron2.data.detection_utils import read_image
      
      !wget http://images.cocodataset.org/val2017/000000439715.jpg -q -O input.jpg
      img = read_image('./input.jpg')
      img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))
      
      example_inputs = retinanet_bacbone_heads.preprocess(img)
      example_outputs = retinanet_bacbone_heads(example_inputs)
      
      cell_anchors = [c.contiguous() for c in retinanet_model.anchor_generator.cell_anchors]
      cuda_engine = build_retinanet_decode(
                  example_outputs, example_inputs.shape, cell_anchors)

5. Blade 拡張を使用して、PyTorch と TensorRT エンジンの両方を使用するモデルをサポートします。

   次のコードは、RetinaNetWrapper、RetinaNetBackboneAndHeads、および RetinaNetPostProcess を使用して、バックボーン、ヘッド、および TensorRT プラグインの後処理部分を再結合します。

   import blade.torch
   
   # Blade TensorRT 拡張でサポートされる後処理部分。
   class RetinaNetPostProcess(torch.nn.Module):
       def __init__(self, cuda_engine):
           super().__init__()
           blob_names = [cuda_engine.get_binding_name(idx) for idx in range(cuda_engine.num_bindings)]
           input_blob_names = blob_names[:-3]
           input_blob_types = ["Float"] * len(input_blob_names)
           output_blob_names = blob_names[-3:]
           output_blob_types = ["Float"] * len(output_blob_names)
   
           self.trt_ext_plugin = torch.classes.torch_addons.TRTEngineExtension(
               bytes(cuda_engine.serialize()),
               (input_blob_names, output_blob_names, input_blob_types, output_blob_types),
           )
   
       def forward(self, inputs: List[Tensor]):
           return self.trt_ext_plugin.forward(inputs)
   
   # PyTorch と TensorRT エンジンを併用します。
   class RetinaNetWrapper(torch.nn.Module):
   
       def __init__(self, model, trt_postproc):
           super().__init__()
           self.backbone_and_heads = model
           self.trt_postproc = torch.jit.script(trt_postproc)
   
       def forward(self, images):
           cls_heads, box_heads = self.backbone_and_heads(images)
           return self.trt_postproc(cls_heads + box_heads)
   
   trt_postproc = RetinaNetPostProcess(cuda_engine)
   retinanet_mix_trt = RetinaNetWrapper(retinanet_bacbone_heads, trt_postproc)
   
   # TorchScript ファイルとしてエクスポートして保存します。
   retinanet_script = torch.jit.trace(retinanet_mix_trt, (example_inputs, ), check_trace=False)
   torch.jit.save(retinanet_script, 'retinanet_script.pt')
   torch.save(example_inputs, 'example_inputs.pth')
   outputs = retinanet_script(example_inputs)

   新しくアセンブルされた torch.nn.Module には、次の特徴があります。

   • Blade TensorRT 拡張でサポートされている torch.classes.torch_addons.TRTEngineExtension インターフェイスを使用します。

   • TorchScript モデルのエクスポートをサポートします。上記のコードでは torch.jit.trace を使用してモデルをエクスポートします。

   • TorchScript 形式でのモデルの保存をサポートします。

ステップ 2: Blade を呼び出してモデルを最適化

1. Blade 最適化インターフェイスを呼び出します。

   blade.optimize インターフェイスを呼び出してモデルを最適化します。以下はサンプルコードです。blade.optimize インターフェイスの詳細については、「PyTorch モデルの最適化」をご参照ください。

   import blade
   import blade.torch
   import ctypes
   import torch
   import os
   
   codebase="retinanet-examples"
   ctypes.cdll.LoadLibrary(os.path.join(codebase, 'plugin.so'))
   
   blade_config = blade.Config()
   blade_config.gpu_config.disable_fp16_accuracy_check = True
   
   script_model = torch.jit.load('retinanet_script.pt')
   example_inputs = torch.load('example_inputs.pth')
   test_data = [(example_inputs,)] # PyTorch の入力データはタプルのリストです。
   with blade_config:
       optimized_model, opt_spec, report = blade.optimize(
           script_model,  # 前のステップでエクスポートされた TorchScript モデル。
           'o1',  # Blade O1 レベルの最適化を有効にします。
           device_type='gpu',  # ターゲットデバイスは GPU です。
           test_data=test_data,  # 最適化とテストを支援するために、テストデータのセットを提供します。
       )

2. 最適化レポートを出力し、モデルを保存します。

   Blade で最適化されたモデルは、引き続き TorchScript モデルです。最適化後、次のコードを使用して最適化レポートを出力し、最適化されたモデルを保存できます。

   # 最適化レポートを出力します。
   print("Report: {}".format(report))
   # 最適化されたモデルを保存します。
   torch.jit.save(optimized_model, 'optimized.pt')

   出力された最適化レポートは次のとおりです。最適化レポートのフィールドの詳細については、「最適化レポート」をご参照ください。

   Report: {
     "software_context": [
       {
         "software": "pytorch",
         "version": "1.8.1+cu102"
       },
       {
         "software": "cuda",
         "version": "10.2.0"
       }
     ],
     "hardware_context": {
       "device_type": "gpu",
       "microarchitecture": "T4"
     },
     "user_config": "",
     "diagnosis": {
       "model": "unnamed.pt",
       "test_data_source": "user provided",
       "shape_variation": "undefined",
       "message": "Unable to deduce model inputs information (data type, shape, value range, etc.)",
       "test_data_info": "0 shape: (1, 3, 480, 640) data type: float32"
     },
     "optimizations": [
       {
         "name": "PtTrtPassFp16",
         "status": "effective",
         "speedup": "4.37",
         "pre_run": "40.59 ms",
         "post_run": "9.28 ms"
       }
     ],
     "overall": {
       "baseline": "40.02 ms",
       "optimized": "9.27 ms",
       "speedup": "4.32"
     },
     "model_info": {
       "input_format": "torch_script"
     },
     "compatibility_list": [
       {
         "device_type": "gpu",
         "microarchitecture": "T4"
       }
     ],
     "model_sdk": {}
   }

3. 元のモデルと最適化されたモデルで性能テストを実行します。

   以下は、性能テストのサンプルコードです。

   import time
   
   @torch.no_grad()
   def benchmark(model, inp):
       for i in range(100):
           model(inp)
       torch.cuda.synchronize()
       start = time.time()
       for i in range(200):
           model(inp)
       torch.cuda.synchronize()
       elapsed_ms = (time.time() - start) * 1000
       print("Latency: {:.2f}".format(elapsed_ms / 200))
   
   # 元のモデルの性能をテストします。
   benchmark(script_model, example_inputs)
   # 最適化されたモデルの性能をテストします。
   benchmark(optimized_model, example_inputs)

   以下は、このテストのリファレンス結果です。

   Latency: 40.71
   Latency: 9.35

   結果は、200 回の実行後、元のモデルと最適化されたモデルの平均レイテンシーがそれぞれ 40.71 ms と 9.35 ms であることを示しています。

ステップ 3: 最適化されたモデルのロードと実行

1. オプション： 試用期間中に、認証失敗によるプログラムの予期せぬ終了を防ぐために、次の環境変数を設定します。

   export BLADE_AUTH_USE_COUNTING=1

2. PAI-Blade を使用するための認証を取得します。

   export BLADE_REGION=<region>
   export BLADE_TOKEN=<token>

   ビジネス要件に基づいて、次のパラメーターを設定します。

   • <region>：PAI-Blade を使用するリージョン。PAI-Blade ユーザーの DingTalk グループに参加して、PAI-Blade を使用できるリージョンを取得できます。DingTalk グループの QR コードについては、「PAI-Blade のインストール」をご参照ください。

   • <token>：PAI-Blade の使用に必要な認証トークン。PAI-Blade ユーザーの DingTalk グループに参加して、認証トークンを取得できます。DingTalk グループの QR コードについては、「PAI-Blade のインストール」をご参照ください。

3. 最適化されたモデルをロードして実行します。

   Blade で最適化されたモデルは、引き続き TorchScript モデルです。環境を切り替えることなく、最適化されたモデルをロードできます。

   import blade.runtime.torch
   import torch
   
   from torch.testing import assert_allclose
   import ctypes
   import os
   
   codebase="retinanet-examples"
   ctypes.cdll.LoadLibrary(os.path.join(codebase, 'plugin.so'))
   
   optimized_model = torch.jit.load('optimized.pt')
   example_inputs = torch.load('example_inputs.pth')
   
   with torch.no_grad():
       pred = optimized_model(example_inputs)