作者：英特爾物聯(lián)網創(chuàng)新大使王一凡

1.1產業(yè)實踐中部署 AI 模型的痛點

1.1.1部署 AI 模型的典型流程

對于來自于千行百業(yè)，打算將 AI 模型集成到自己的主線產品中，解決本行痛點的 AI 開發(fā)者來說，部署 AI 模型，或者說將 AI 模型集成到自己產品中去的典型步驟（以計算機視覺應用為例）有：

采集圖像&圖像解碼

數(shù)據(jù)預處理

執(zhí)行 AI 推理計算

推理結果后處理

將后處理結果集成到業(yè)務流程

1.1.2端到端的 AI 性能

當 AI 開發(fā)者將 AI 模型集成到業(yè)務流程后，不太關心 AI 模型在 AI 推理硬件上單純的推理速度，而是關心包含圖像解碼、數(shù)據(jù)預處理和后處理的端到端的 AI 性能。

在產業(yè)實踐中，我們發(fā)現(xiàn)不僅 AI 推理硬件和對應推理引擎（例如：OpenVINO Runtime）對于端到端的性能影響大，數(shù)據(jù)預處理和后處理代碼是否高效對于端到端的性能影響也大。

以 CPU 上預處理操作融合優(yōu)化為例，經過優(yōu)化后的前處理代碼，可以使得 AI 端到端性能得到較大提升。

數(shù)據(jù)來源：感謝 FastDeploy 團隊完成測試并提供數(shù)據(jù)

結論：優(yōu)秀且高效的前后處理代碼，可以明顯提高端到端的 AI 性能！

1.1.3部署 AI 模型的難點和痛點

在產業(yè)實踐中，在某個任務上當前最優(yōu)的 SOTA 模型的很有可能與部署相關的文檔和范例代碼不完整，AI 開發(fā)者需要通過閱讀 SOTA 模型源代碼來手動編寫模型的前后處理代碼，這導致：

01耗時耗力

閱讀 SOTA 模型源代碼來理解模型的前后處理，提高了部署模型的技術門檻。另外，手動編寫前后處理代碼，也需要更多的測試工作來消除 bug。

02精度隱患

手動或借助網上開源但未經過實踐驗證過的前后處理代碼，會有精度隱患，即當前對于某些圖片精度很好，但對于另外的圖片精度就下降。筆者就遇到過類似問題，原因在于調用了一個 GitHub 上下載的 NMS()函數(shù)，這個函數(shù)對代碼倉提供的范例模型有效，但對于筆者使用的模型恰恰就出現(xiàn)丟失檢測對象的問題。

03優(yōu)化困難

解決了精度問題后，下一步就是通過多線程、模型壓縮、Batch 優(yōu)化等軟件技術進一步提升端到端的 AI 性能，節(jié)約硬件采購成本。這些軟件技術對于計算機專業(yè)的工程師不算挑戰(zhàn)，但對于千行百業(yè)中非計算機專業(yè)的工程師，卻無形中建立起了一道極高的門檻。

為了賦能千行百業(yè)的工程師，高效便捷的將 AI 模型集成到自己的產品中去，急需一個專門面向 AI 模型部署的軟件工具。

1.2FastDeploy 簡介

FastDeploy是一款全場景、易用靈活、極致高效的 AI 推理部署工具。提供開箱即用的云邊端部署體驗, 支持超過150+Text,Vision,Speech 和跨模態(tài)模型，并實現(xiàn)端到端的推理性能優(yōu)化。包括圖像分類、物體檢測、圖像分割、人臉檢測、人臉識別、關鍵點檢測、摳圖、OCR、NLP、TTS 等任務，滿足開發(fā)者多場景、多硬件、多平臺的產業(yè)部署需求。

FastDeploy 項目鏈接:

https://github.com/PaddlePaddle/FastDeploy

1.3英特爾獨立顯卡簡介

英特爾在2021年的構架日上發(fā)布了獨立顯卡產品路線圖，OpenVINO 從2022.2版本開始支持 AI 模型在英特爾獨立顯卡上做 AI 推理計算。

當前已經可以購買的消費類獨立顯卡是英特爾銳炫獨立顯卡A7系列，并已發(fā)布在獨立顯卡上做 AI 推理計算的范例程序。

1.4使用 FastDeploy

在英特爾 CPU 和獨立顯卡上

部署模型的步驟

1.4.1搭建 FastDeploy 開發(fā)環(huán)境

當前 FastDeploy 最新的 Release 版本是1.0.1，一行命令即可完成 FastDeploy 的安裝：

 pip install fastdeploy-python –f https://www.paddlepaddle.org.cn/whl/fastdeploy.html

向右滑動查看完整代碼

1.4.2下載模型和測試圖片

FastDeploy 支持的 PaddleSeg 預訓練模型下載地址：

https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/vision/segmentation/paddleseg

測試圖片下載地址：

https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png

使用命令，下載模型和測試圖片：

圖片：
wget https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png
模型：
wget https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/vision/segmentation/paddleseg

向右滑動查看完整代碼

1.4.3三行代碼完成在英特爾 CPU 上的模型部署

基于 FastDeploy，只需三行代碼即可完成在英特爾 CPU上的模型部署，并獲得經過后處理的推理結果。

import fastdeploy as fd
import cv2
# 讀取圖片
im = cv2.imread("cityscapes_demo.png")
# 加載飛槳PaddleSeg模型
model = fd.vision.segmentation.PaddleSegModel(“model.pdmodel”, “model.pdiparams”,“deploy.yaml”)
# 預測結果
result = model.predict(im)
print(result)

向右滑動查看完整代碼

將推理結果 print 出來，如下圖所示，經過 FastDeploy 完成的 AI 推理計算，拿到的是經過后處理的結果，可以直接將該結果傳給業(yè)務處理流程。

1.4.4

使用 RuntimeOption 將 AI 推理硬件

切換英特爾獨立顯卡

在上述三行代碼的基礎上，只需要使用RuntimeOption將AI推理硬件切換為英特爾獨立顯卡，完成代碼如下所示：

import fastdeploy as fd
import cv2
# 讀取圖片
im = cv2.imread("cityscapes_demo.png")
h, w, c = im.shape
# 通過RuntimeOption配置后端
option = fd.RuntimeOption()
option.use_openvino_backend()
option.set_openvino_device("GPU.1")
# 固定模型的輸入形狀
option.set_openvino_shape_info({"x": [1,c,h,w]})
# 加載飛槳PaddleSeg模型
model = fd.vision.segmentation.PaddleSegModel(“model.pdmodel”, “model.pdiparams”,“deploy.yaml”, 
                       runtime_option=option)               
# 預測結果
result = model.predict(im)

向右滑動查看完整代碼

set_openvino_device()中字符串填寫“GPU.1”是根據(jù)英特爾獨立顯卡在操作系統(tǒng)的中設備名稱，如下圖所示：

當前，在英特爾獨立顯卡上做 AI 推理，需要注意的問題有：

需要固定模型輸入節(jié)點的形狀(Shape)

英特爾 GPU 上支持的算子數(shù)量與 CPU 并不一致，在部署 PPYOLE 時，如若全采用 GPU 執(zhí)行，會出現(xiàn)如下提示

這是需要將推理硬件設置為異構方式

option.set_openvino_device("HETERO:GPU.1,CPU")

向右滑動查看完整代碼

到此，使用 FastDeploy 在英特爾 CPU 和獨立顯卡上部署AI模型的工作全部完成。

1.5總結

面對千行百業(yè)中部署 AI 模型的挑戰(zhàn)，F(xiàn)astDeploy 工具很好的保證了部署 AI 模型的精度，以及端到端 AI 性能問題，也提高了部署端工作的效率。通過 RuntimeOption，將 FastDeploy 的推理后端設置為 OpenVINO，可以非常便捷將 AI 模型部署在英特爾 CPU、集成顯卡和獨立顯卡上。