简体中文 | English

识别模型服务化部署

1. 简介

Paddle 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。

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。

# 启动GPU docker
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

# 启动CPU docker
docker pull paddlepaddle/serving:0.7.0-devel
docker run -p 9292:9292 --name test -dit paddlepaddle/serving:0.7.0-devel bash
docker exec -it test bash

进入 docker 后，需要安装 Serving 相关的 python 包。

python3.7 -m pip install paddle-serving-client==0.7.0
python3.7 -m pip install paddle-serving-app==0.7.0
python3.7 -m pip install faiss-cpu==1.7.1post2

#若为CPU部署环境:
python3.7 -m pip install paddle-serving-server==0.7.0 # CPU
python3.7 -m pip install paddlepaddle==2.2.0          # CPU

#若为GPU部署环境
python3.7 -m pip install paddle-serving-server-gpu==0.7.0.post102 # GPU with CUDA10.2 + TensorRT6
python3.7 -m pip install paddlepaddle-gpu==2.2.0     # GPU with CUDA10.2

#其他GPU环境需要确认环境再选择执行哪一条
python3.7 -m pip install paddle-serving-server-gpu==0.7.0.post101 # GPU with CUDA10.1 + TensorRT6
python3.7 -m pip 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

3. 图像识别服务部署

使用 PaddleServing 做图像识别服务化部署时，需要将保存的多个 inference 模型都转换为 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。

3.1 模型转换

进入工作目录：
```
cd deploy/
```

下载通用检测 inference 模型和通用识别 inference 模型

# 创建并进入models文件夹
mkdir models
cd models
# 下载并解压通用识别模型
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar
tar -xf general_PPLCNetV2_base_pretrained_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

转换通用识别 inference 模型为 Serving 模型：

# 转换通用识别模型
python3.7 -m paddle_serving_client.convert \
--dirname ./general_PPLCNetV2_base_pretrained_v1.0_infer/ \
--model_filename inference.pdmodel  \
--params_filename inference.pdiparams \
--serving_server ./general_PPLCNetV2_base_pretrained_v1.0_serving/ \
--serving_client ./general_PPLCNetV2_base_pretrained_v1.0_client/

上述命令的参数含义与#3.1 模型转换相同通用识别 inference 模型转换完成后，会在当前文件夹多出 general_PPLCNetV2_base_pretrained_v1.0_serving/ 和 general_PPLCNetV2_base_pretrained_v1.0_client/ 的文件夹，具备如下结构：

├── general_PPLCNetV2_base_pretrained_v1.0_serving/
│   ├── inference.pdiparams
│   ├── inference.pdmodel
│   ├── serving_server_conf.prototxt
│   └── serving_server_conf.stream.prototxt
│
└── general_PPLCNetV2_base_pretrained_v1.0_client/
      ├── serving_client_conf.prototxt
      └── serving_client_conf.stream.prototxt

接下来分别修改 general_PPLCNetV2_base_pretrained_v1.0_serving/ 和 general_PPLCNetV2_base_pretrained_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。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: "batch_norm_25.tmp_2"
  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
python3.7 -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/

上述命令的参数含义与#3.1 模型转换相同

通用检测 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，具备如下结构：

├── picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving/
│   ├── inference.pdiparams
│   ├── inference.pdmodel
│   ├── serving_server_conf.prototxt
│   └── serving_server_conf.stream.prototxt
│
└── picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/
      ├── serving_client_conf.prototxt
      └── serving_client_conf.stream.prototxt

上述转换命令的参数具体含义如下表所示

参数	类型	默认值	描述
`dirname`	str	-	需要转换的模型文件存储路径，Program结构文件和参数文件均保存在此目录。
`model_filename`	str	None	存储需要转换的模型Inference Program结构的文件名称。如果设置为None，则使用 `__model__` 作为默认的文件名
`params_filename`	str	None	存储需要转换的模型所有参数的文件名称。当且仅当所有模型参数被保>存在一个单独的二进制文件中，它才需要被指定。如果模型参数是存储在各自分离的文件中，设置它的值为None
`serving_server`	str	`"serving_server"`	转换后的模型文件和配置文件的存储路径。默认值为serving_server
`serving_client`	str	`"serving_client"`	转换后的客户端配置文件存储路径。默认值为serving_client

下载并解压已经构建后完成的检索库 index

# 回到deploy目录
cd ../
# 下载构建完成的检索库 index
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/drink_dataset_v2.0.tar
# 解压构建完成的检索库 index
tar -xf drink_dataset_v2.0.tar

3.2 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

cd ./deploy/paddleserving/recognition

paddleserving 目录包含启动 Python Pipeline 服务、C++ Serving 服务和发送预测请求的代码，包括：

__init__.py
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
paddle2onnx.md                   # 识别模型服务化部署文档
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

3.2.1 Python Serving

启动服务：

# 启动服务，运行日志保存在 log.txt
python3.7 recognition_web_service.py &>log.txt &

发送请求：

python3.7 pipeline_http_client.py

成功运行后，模型预测的结果会打印在客户端中，如下所示：

{'err_no': 0, 'err_msg': '', 'key': ['result'], 'value': ["[{'bbox': [438, 71, 660, 712], 'rec_docs': '元气森林', 'rec_scores': 0.7581642}, {'bbox': [220, 72, 449, 689], 'rec_docs': '元气森林', 'rec_scores': 0.68961805}, {'bbox': [794, 104, 978, 652], 'rec_docs': '元气森林', 'rec_scores': 0.63075215}]"], 'tensors': []}

3.2.2 C++ Serving

与Python Serving不同，C++ Serving客户端调用 C++ OP来预测，因此在启动服务之前，需要编译并安装 serving server包，并设置 SERVING_BIN。

编译并安装Serving server包
```
# 进入工作目录
cd ./deploy/paddleserving

# 一键编译安装Serving server、设置 SERVING_BIN
source ./build_server.sh python3.7
```
注： build_server.sh 所设定的路径可能需要根据实际机器上的环境如CUDA、python版本等作一定修改，然后再编译；如果执行 build_server.sh 过程中遇到非网络原因的报错，则可以手动将脚本中的命令逐条复制到终端执行。

C++ Serving使用的输入输出格式与Python不同，因此需要执行以下命令，将4个文件复制到下的文件覆盖掉3.1得到文件夹中的对应4个prototxt文件。

# 回到deploy目录
cd ../

# 覆盖prototxt文件
\cp ./paddleserving/recognition/preprocess/general_PPLCNetV2_base_pretrained_v1.0_serving/*.prototxt ./models/general_PPLCNetV2_base_pretrained_v1.0_serving/
\cp ./paddleserving/recognition/preprocess/general_PPLCNetV2_base_pretrained_v1.0_client/*.prototxt ./models/general_PPLCNetV2_base_pretrained_v1.0_client/
\cp ./paddleserving/recognition/preprocess/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/*.prototxt ./models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_client/
\cp ./paddleserving/recognition/preprocess/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving/*.prototxt ./models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_serving/

启动服务：

# 进入工作目录
cd ./paddleserving/recognition

# 端口号默认为9400；运行日志默认保存在 log_PPShiTu.txt 中
# CPU部署
bash run_cpp_serving.sh
# GPU部署，并指定第0号卡
bash run_cpp_serving.sh 0

发送请求：

# 发送服务请求
python3.7 test_cpp_serving_client.py

成功运行后，模型预测的结果会打印在客户端中，如下所示：

WARNING: Logging before InitGoogleLogging() is written to STDERR
I0903 16:03:20.020586 35600 naming_service_thread.cpp:202] brpc::policy::ListNamingService("127.0.0.1:9400"): added 1
I0903 16:03:21.346057 35600 general_model.cpp:490] [client]logid=0,client_cost=1306.26ms,server_cost=1293.65ms.
[{'bbox': [437, 71, 660, 727], 'rec_docs': '元气森林', 'rec_scores': 0.76902336}, {'bbox': [222, 72, 449, 700], 'rec_docs': '元气森林', 'rec_scores': 0.69347066}, {'bbox': [794, 104, 979, 652], 'rec_docs': '元气森林', 'rec_scores': 0.6305151}]

关闭服务如果服务程序在前台运行，可以按下Ctrl+C来终止服务端程序；如果在后台运行，可以使用kill命令关闭相关进程，也可以在启动服务程序的路径下执行以下命令来终止服务端程序：
```
python3.7 -m paddle_serving_server.serve stop
```
执行完毕后出现Process stopped信息表示成功关闭服务。

4. 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

Q2：启动服务后没有任何反应

A2：可以检查 config.yml 中 model_config 对应的路径是否存在，文件夹命名是否正确

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

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

paddle_serving.md

paddle_serving.md

识别模型服务化部署

目录

1. 简介

2. Serving 安装

3. 图像识别服务部署

3.1 模型转换

3.2 服务部署和请求

3.2.1 Python Serving

3.2.2 C++ Serving

4. FAQ

Files

paddle_serving.md

Latest commit

History

paddle_serving.md

File metadata and controls

识别模型服务化部署

目录

1. 简介

2. Serving 安装

3. 图像识别服务部署

3.1 模型转换

3.2 服务部署和请求

3.2.1 Python Serving

3.2.2 C++ Serving

4. FAQ