作為服務(wù)器的最重要任務(wù)，就是要接受來(lái)自不同終端所提出的各種請(qǐng)求，然后根據(jù)要求執(zhí)行對(duì)應(yīng)的計(jì)算，再將計(jì)算結(jié)果返回給終端。

當(dāng) Triton 推理服務(wù)器運(yùn)行起來(lái)之后，就進(jìn)入等待請(qǐng)求的狀態(tài)，因此我們所要提出的請(qǐng)求內(nèi)容，就必須在用戶端軟件里透過(guò)參數(shù)去調(diào)整請(qǐng)求的內(nèi)容，這部分在 Triton 相關(guān)使用文件中并沒(méi)有提供充分的說(shuō)明，因此本文的重點(diǎn)就在于用Python 版的 image_client.py 來(lái)說(shuō)明相關(guān)參數(shù)的內(nèi)容，其他用戶端的參數(shù)基本上與這個(gè)端類似，可以類比使用。

本文的實(shí)驗(yàn)內(nèi)容，是將 Triton 服務(wù)器安裝在 IP 為 192.168.0.10 的 Jetson AGX Orin 上，將 Triton 用戶端裝在 IP 為 192.168.0.20 的樹(shù)莓派上，讀者可以根據(jù)已有的設(shè)備資源自行調(diào)配。

在開(kāi)始進(jìn)行實(shí)驗(yàn)之前，請(qǐng)先確認(rèn)以下兩個(gè)部分的環(huán)境：

• 在服務(wù)器設(shè)備上啟動(dòng) Triton 服務(wù)器，并處于等待請(qǐng)求的狀態(tài)：

  
  

如果還沒(méi)啟動(dòng)的話，請(qǐng)直接執(zhí)行以下指令：

# 根據(jù)實(shí)際的模型倉(cāng)根目錄位置設(shè)定TRITON_MODEL_REPO路徑
$  export TRITON_MODEL_REPO=${HOME}/triton/server/docs/examples/model_repository
執(zhí)行Triton服務(wù)器
$  dockerrun--rm--net=host-v${TRITON_MODEL_REPO}:/modelsnvcr.io/nvidia/tritonserver:22.09-py3tritonserver--model-repository=/models

• 在用戶端設(shè)備下載 Python 的用戶端范例，并提供若干張要檢測(cè)的圖片：

先執(zhí)行以下指令，確認(rèn)Triton服務(wù)器已經(jīng)正常啟動(dòng)，并且從用戶端設(shè)備可以訪問(wèn)：

$  curl -v 192.168.0.10:8000/v2/health/ready

只要后面出現(xiàn)的信息中有“HTTP/1.1 200 OK”部分，就表示一切正常。

如果還沒(méi)安裝 Triton 的 Python 用戶端環(huán)境，并且還未下載用戶端范例的話，請(qǐng)執(zhí)行以下指令：

$  cd ${HOME}/triton
$  git clone https://github.com/triton-inference-server/client
$  cd client/src/python/examples
# 安裝 Triton 的 Python用戶端環(huán)境
$  pip3installtritonclient[all]attrdict-ihttps://pypi.tuna.tsinghua.edu.cn/simple

最后記得在用戶端設(shè)備上提供幾張圖片，并且放置在指定文件夾（例如~/images）內(nèi)，準(zhǔn)備好整個(gè)實(shí)驗(yàn)環(huán)境，就可以開(kāi)始下面的說(shuō)明。

現(xiàn)在執(zhí)行以下指令，看一下 image_client 這個(gè)終端的參數(shù)列表：

$  python3 image_client.py

會(huì)出現(xiàn)以下的信息：

接下來(lái)就來(lái)說(shuō)明這些參數(shù)的用途與用法。

1. 用“-u”參數(shù)對(duì)遠(yuǎn)程服務(wù)器提出請(qǐng)求：

   
   

如果用戶端與服務(wù)器端并不在同一臺(tái)機(jī)器上的時(shí)候，就可以用這個(gè)參數(shù)對(duì)遠(yuǎn)程 Triton 服務(wù)器提出推理請(qǐng)求，請(qǐng)執(zhí)行以下指令：

$  python3 image_client.py  -m  inception_graphdef  -u 192.168.0.10:8000  -s INCEPTION ${HOME}/images/mug.jpg

由于 Triton 的跨節(jié)點(diǎn)請(qǐng)求主要透過(guò) HTTP/REST 協(xié)議處理，需要透過(guò) 8000 端口進(jìn)行傳輸，因此在“-u”后面需要接上“IP:8000”就能正常使用。

請(qǐng)自行檢查回饋的計(jì)算結(jié)果是否正確！

2. 用“-m”參數(shù)去指推理模型：

從“python3 image_client.py”所產(chǎn)生信息的最后部分，可以看出用“-m”參數(shù)去指定推理模型是必須的選項(xiàng)，但是可以指定哪些推理模型呢？就得從 Triton 服務(wù)器的啟動(dòng)信息中去尋找答案。

下圖是本范例是目前啟動(dòng)的 Triton 推理服務(wù)器所支持的模型列表：

這里顯示有的 8 個(gè)推理模型，就是啟動(dòng)服務(wù)器時(shí)使用“--model-repository=”參數(shù)指定的模型倉(cāng)內(nèi)容，因此客戶端使用“-m”參數(shù)指定的模型，必須是在這個(gè)表所列的內(nèi)容之列，例如“-mdensenet_onnx”、“-m inception_graphdef”等等。

現(xiàn)在執(zhí)行以下兩道指令，分別看看使用不同模型所得到的結(jié)果有什么差異：

$  python3 image_client.py  -m densenet_onnx  -u 192.168.0.10:8000  -s INCEPTION ${HOME}/images/mug.jpg
$  python3image_client.py-minception_graphdef-u192.168.0.10:8000-sINCEPTION${HOME}/images/mug.jpg

使用 densenet_onnx 模型與 inception_graphdef 模型所返回的結(jié)果，分別如下：

雖然兩個(gè)模型所得到的檢測(cè)結(jié)果一致，但是二者所得到的置信度表達(dá)方式并不相同，而且標(biāo)簽編號(hào)并不一樣（504 與 505）。

這個(gè)參數(shù)后面還可以使用“-x”去指定“版本號(hào)”，不過(guò)目前所使用的所有模型都只有一個(gè)版本，因此不需要使用這個(gè)參數(shù)。

3. 使用“-s”參數(shù)指定圖像縮放方式：

有些神經(jīng)網(wǎng)絡(luò)算法在執(zhí)行推理之前，需要對(duì)圖像進(jìn)行特定形式的縮放（scaling）處理，因此需要先用這個(gè)參數(shù)指定縮放的方式，如果沒(méi)有指定正確的模式，會(huì)導(dǎo)致推理結(jié)果的錯(cuò)誤。目前這個(gè)參數(shù)支持{NONE, INSPECTION, VGG}三個(gè)選項(xiàng)，預(yù)設(shè)值為“NONE”。

在本實(shí)驗(yàn) Triton 推理服務(wù)器所支持的 densenet_onnx 與 inception_graphdef 模型，都需要選擇 INSPECTION 縮放方式，因此執(zhí)行指令中需要用“-s INSPECTION”去指定，否則會(huì)得到錯(cuò)誤的結(jié)果。

請(qǐng)嘗試以下指令，省略前面指定中的“-s INSPECTION”，或者指定為 VGG 模式，看看結(jié)果如何？

$  python3 image_client.py  -m inception_graphdef -u 192.168.0.10:8000  -s VGG ${HOME}/images/mug.jpg

4. 對(duì)文件夾所有圖片進(jìn)行推理

如果有多個(gè)要進(jìn)行推理計(jì)算的標(biāo)的物（圖片），Triton 用戶端可用文件夾為單位來(lái)提交要推理的內(nèi)容，例如以下指令就能一次對(duì) ${HOME}/images 目錄下所有圖片進(jìn)行推理：

$  python3 image_client.py  -m  inception_graphdef  -u 192.168.0.10:8000  -s INCEPTION ${HOME}/images

例如我們?cè)谖募A中準(zhǔn)備了 car.jpg、mug.jpg、vulture.jpg 三種圖片，如下：

執(zhí)行后反饋的結(jié)果如下：

顯示推理檢測(cè)的結(jié)果是正確的！

5. 用“-b”參數(shù)指定批量處理的值

執(zhí)行前面指令的結(jié)果可以看到“batch size 1”，表示用戶端每次提交一張圖片進(jìn)行推理，所以出現(xiàn) Request1、Request 2 與 Request 3 總共提交三次請(qǐng)求。

現(xiàn)在既然有 3 張圖片，可否一次提交 3 張圖片進(jìn)行推理呢？我們可以用“-b”參數(shù)來(lái)設(shè)定，如果將前面的指令中添加“-b3”這個(gè)參數(shù)，如下：

$  python3 image_client.py  -m  inception_graphdef  -u 192.168.0.10:8000  -s INCEPTION ${HOME}/images  -b 3

現(xiàn)在顯示的結(jié)果如下：

現(xiàn)在看到只提交一次“batch size 3”的請(qǐng)求，就能對(duì)三張圖片進(jìn)行推理。如果 batch 值比圖片數(shù)量大呢？例如改成“-b 5”的時(shí)候，看看結(jié)果如何？如下：

現(xiàn)在可以看到所推理的圖片數(shù)量是 5，其中 1/4、2/5 是同一張圖片，表示重復(fù)使用了。這樣就應(yīng)該能清楚這個(gè)“batchsize”值的使用方式。

但如果這里將模型改成 densenet_onnx 的時(shí)候，執(zhí)行以下指令：

$  python3 image_client.py  -m  densenet_onnx  -u 192.168.0.10:8000  -s INCEPTION ${HOME}/images  -b 3

會(huì)得到“ERROR: This model doesn't support batching.”的錯(cuò)誤信息，這時(shí)候就回頭檢查以下模型倉(cāng)里 densenet_onnx 目錄下的 config.pbtxt 配置文件，會(huì)發(fā)現(xiàn)里面設(shè)置了“max_batch_size: 0”，并不支持批量處理。

而 inception_graphdef 模型的配置文件里設(shè)置“max_batch_size: 128”，如果指令給定“-b”參數(shù)大于這個(gè)數(shù)值，也會(huì)出現(xiàn)錯(cuò)誤信息。

6. 其他：

另外還有指定通訊協(xié)議的“-i”參數(shù)、使用異步推理 API 的“-a”參數(shù)、使用流式推理 API 的“--streaming”參數(shù)等等，屬于較進(jìn)階的用法，在這里先不用過(guò)度深入。

以上所提供的 5 個(gè)主要參數(shù)，對(duì)初學(xué)者來(lái)說(shuō)是非常足夠的，好好掌握這幾個(gè)參數(shù)就已經(jīng)能開(kāi)始進(jìn)行更多圖像方面的推理實(shí)驗(yàn)。

推薦閱讀

NVIDIA Jetson Nano 2GB 系列文章（1）：開(kāi)箱介紹

NVIDIA Jetson Nano 2GB 系列文章（2）：安裝系統(tǒng)

NVIDIA Jetson Nano 2GB 系列文章（3）：網(wǎng)絡(luò)設(shè)置及添加 SWAPFile 虛擬內(nèi)存

NVIDIA Jetson Nano 2GB 系列文章（4）：體驗(yàn)并行計(jì)算性能

NVIDIA Jetson Nano 2GB 系列文章（5）：體驗(yàn)視覺(jué)功能庫(kù)

NVIDIA Jetson Nano 2GB 系列文章（6）：安裝與調(diào)用攝像頭

NVIDIA Jetson Nano 2GB 系列文章（7）：通過(guò) OpenCV 調(diào)用 CSI/USB 攝像頭

NVIDIA Jetson Nano 2GB 系列文章（8）：執(zhí)行常見(jiàn)機(jī)器視覺(jué)應(yīng)用

NVIDIA Jetson Nano 2GB 系列文章（9）：調(diào)節(jié) CSI 圖像質(zhì)量

NVIDIA Jetson Nano 2GB 系列文章（10）：顏色空間動(dòng)態(tài)調(diào)節(jié)技巧

NVIDIA Jetson Nano 2GB 系列文章（11）：你應(yīng)該了解的 OpenCV

NVIDIA Jetson Nano 2GB 系列文章（12）：人臉定位

NVIDIA Jetson Nano 2GB 系列文章（13）：身份識(shí)別

NVIDIA Jetson Nano 2GB 系列文章（14）：Hello AI World

NVIDIA Jetson Nano 2GB 系列文章（15）：Hello AI World 環(huán)境安裝

NVIDIA Jetson Nano 2GB 系列文章（16）：10行代碼威力

NVIDIA Jetson Nano 2GB 系列文章（17）：更換模型得到不同效果

NVIDIA Jetson Nano 2GB 系列文章（18）：Utils 的 videoSource 工具

NVIDIA Jetson Nano 2GB 系列文章（19）：Utils 的 videoOutput 工具

NVIDIA Jetson Nano 2GB 系列文章（20）：“Hello AI World” 擴(kuò)充參數(shù)解析功能

NVIDIA Jetson Nano 2GB 系列文章（21）：身份識(shí)別

NVIDIA Jetson Nano 2GB 系列文章（22）：“Hello AI World” 圖像分類代碼

NVIDIA Jetson Nano 2GB 系列文章（23）：“Hello AI World 的物件識(shí)別應(yīng)用

NVIDIAJetson Nano 2GB 系列文章（24）: “Hello AI World” 的物件識(shí)別應(yīng)用

NVIDIAJetson Nano 2GB 系列文章（25）: “Hello AI World” 圖像分類的模型訓(xùn)練

NVIDIAJetson Nano 2GB 系列文章（26）: “Hello AI World” 物件檢測(cè)的模型訓(xùn)練

NVIDIAJetson Nano 2GB 系列文章（27）: DeepStream 簡(jiǎn)介與啟用

NVIDIAJetson Nano 2GB 系列文章（28）: DeepStream 初體驗(yàn)

NVIDIAJetson Nano 2GB 系列文章（29）: DeepStream 目標(biāo)追蹤功能

NVIDIAJetson Nano 2GB 系列文章（30）: DeepStream 攝像頭“實(shí)時(shí)性能”

NVIDIAJetson Nano 2GB 系列文章（31）: DeepStream 多模型組合檢測(cè)-1

NVIDIAJetson Nano 2GB 系列文章（32）: 架構(gòu)說(shuō)明與deepstream-test范例

NVIDIAJetsonNano 2GB 系列文章（33）: DeepStream 車牌識(shí)別與私密信息遮蓋

NVIDIA Jetson Nano 2GB 系列文章（34）: DeepStream 安裝Python開(kāi)發(fā)環(huán)境

NVIDIAJetson Nano 2GB 系列文章（35）: Python版test1實(shí)戰(zhàn)說(shuō)明

NVIDIAJetson Nano 2GB 系列文章（36）: 加入U(xiǎn)SB輸入與RTSP輸出

NVIDIAJetson Nano 2GB 系列文章（37）: 多網(wǎng)路模型合成功能

NVIDIAJetson Nano 2GB 系列文章（38）: nvdsanalytics視頻分析插件

NVIDIAJetson Nano 2GB 系列文章（39）: 結(jié)合IoT信息傳輸

NVIDIAJetson Nano 2GB 系列文章（40）: Jetbot系統(tǒng)介紹

NVIDIAJetson Nano 2GB 系列文章（41）: 軟件環(huán)境安裝

NVIDIAJetson Nano 2GB 系列文章（42）: 無(wú)線WIFI的安裝與調(diào)試

NVIDIAJetson Nano 2GB 系列文章（43）: CSI攝像頭安裝與測(cè)試

NVIDIAJetson Nano 2GB 系列文章（44）: Jetson的40針引腳

NVIDIAJetson Nano 2GB 系列文章（45）: I2C總線與PiOLED

NVIDIAJetson Nano 2GB 系列文章（46）: 機(jī)電控制設(shè)備的安裝

NVIDIAJetson Nano 2GB 系列文章（47）: 組裝過(guò)程的注意細(xì)節(jié)

NVIDIAJetson Nano 2GB 系列文章（48）: 用鍵盤與搖桿控制行動(dòng)

NVIDIAJetson Nano 2GB 系列文章（49）: 智能避撞之現(xiàn)場(chǎng)演示

NVIDIAJetson Nano 2GB 系列文章（50）: 智能避障之模型訓(xùn)練

NVIDIAJetson Nano 2GB 系列文章（51）: 圖像分類法實(shí)現(xiàn)找路功能

NVIDIAJetson Nano 2GB 系列文章（52）: 圖像分類法實(shí)現(xiàn)找路功能

NVIDIAJetson Nano 2GB 系列文章（53）: 簡(jiǎn)化模型訓(xùn)練流程的TAO工具套件

NVIDIA Jetson Nano 2GB 系列文章（54）：NGC的內(nèi)容簡(jiǎn)介與注冊(cè)密鑰

NVIDIA Jetson Nano 2GB 系列文章（55）：安裝TAO模型訓(xùn)練工具

NVIDIA Jetson Nano 2GB 系列文章（56）：?jiǎn)?dòng)器CLI指令集與配置文件

NVIDIA Jetson Nano 2GB 系列文章（57）：視覺(jué)類腳本的環(huán)境配置與映射

NVIDIA Jetson Nano 2GB 系列文章（58）：視覺(jué)類的數(shù)據(jù)格式

NVIDIA Jetson Nano 2GB 系列文章（59）：視覺(jué)類的數(shù)據(jù)增強(qiáng)

NVIDIA Jetson Nano 2GB 系列文章（60）：圖像分類的模型訓(xùn)練與修剪

NVIDIA Jetson Nano 2GB 系列文章（61）：物件檢測(cè)的模型訓(xùn)練與優(yōu)化

NVIDIA Jetson Nano 2GB 系列文章（62）：物件檢測(cè)的模型訓(xùn)練與優(yōu)化-2

NVIDIA Jetson Nano 2GB 系列文章（63）：物件檢測(cè)的模型訓(xùn)練與優(yōu)化-3

NVIDIA Jetson Nano 2GB 系列文章（64）：將模型部署到Jetson設(shè)備

NVIDIA Jetson Nano 2GB 系列文章（65）：執(zhí)行部署的 TensorRT 加速引擎

NVIDIA Jetson 系列文章（1）：硬件開(kāi)箱

NVIDIA Jetson 系列文章（2）：配置操作系統(tǒng)

NVIDIA Jetson 系列文章（3）：安裝開(kāi)發(fā)環(huán)境

NVIDIA Jetson 系列文章（4）：安裝DeepStream

NVIDIA Jetson 系列文章（5）：使用Docker容器的入門技巧

NVIDIA Jetson 系列文章（6）：使用容器版DeepStream

NVIDIA Jetson 系列文章（7）：配置DS容器Python開(kāi)發(fā)環(huán)境

NVIDIA Jetson 系列文章（8）：用DS容器執(zhí)行Python范例

NVIDIA Jetson 系列文章（9）：為容器接入U(xiǎn)SB攝像頭

NVIDIA Jetson 系列文章（10）：從頭創(chuàng)建Jetson的容器（1）

NVIDIA Jetson 系列文章（11）：從頭創(chuàng)建Jetson的容器（2）

NVIDIA Jetson 系列文章（12）：創(chuàng)建各種YOLO-l4t容器

NVIDIA Triton系列文章（1）：應(yīng)用概論

NVIDIA Triton系列文章（2）：功能與架構(gòu)簡(jiǎn)介

NVIDIA Triton系列文章（3）：開(kāi)發(fā)資源說(shuō)明

NVIDIA Triton系列文章（4）：創(chuàng)建模型倉(cāng)

NVIDIA Triton 系列文章（5）：安裝服務(wù)器軟件

NVIDIA Triton 系列文章（6）：安裝用戶端軟件