目录

1.1 产业实践中部署AI模型的痛点

1.1.1  部署模型的典型流程

1.1.2 端到端的AI性能

1.1.3 部署模型的难点和痛点

1.2 FastDeploy简介

1.3 英特尔独立显卡简介

1.4 使用FastDeploy在英特尔CPU和独立显卡上部署模型的步骤

1.4.1 搭建FastDeploy开发环境

1.4.2 下载模型和测试图处

1.4.3 三行代码完成在项特尔CPU上的模型部署

1.4.4 使用RuntimeOption 将AI推理硬伯切换项特尔独立显卡

1.5 总结

作者：王一凡 英特尔物联网创新大使 

1.1 产业实践中部署AI模型的痛点

1.1.1  部署模型的典型流程

        对于来自于千行百业，打算将AI模型集成到自己的主线产品中，解决本行痛点的AI开发者来说，部署AI模型，或者说将AI模型集成到自己产品中去的典型步骤(以计算机视觉应用为例)有：

• 采集图像&图像解码
• 数据预处理
• 执行AI推理计算
• 推理结果后处理
• 将后处理结果集成到业务流程

1.1.2 端到端的AI性能

        当AI开发者将AI模型集成到业务流程后，不太关心AI模型在AI推理硬件上单纯的推理速度，而是关心包含图像解码、数据预处理和后处理的端到端的AI性能。

 

        在产业实践中，我们发现不仅AI推理硬件和对应推理引擎(例如：OpenVINO Runtime)对于端到端的性能影响大，数据预处理和后处理代码是否高效对于端到端的性能影响也大。

        以CPU上预处理操作融合优化为例，经过优化后的前处理代码，可以使得AI端到端性能得到较大提升。

数据来源：感谢FastDeploy团队完成测试并提供数据 

结论：优秀且高效的前后处理代码，可以明显提高端到端的AI性能！

1.1.3 部署模型的难点和痛点

        在产业实践中，在某个任务上当前最优的SOTA模型的很有可能与部署相关的文档和范例代码不完整，AI开发者需要通过阅读SOTA模型源代码来手动编写模型的前后处理代码，这导致：

• 耗时耗力：阅读SOTA模型源代码来理解模型的前后处理，提高了部署模型的技术门槛。另外，手动编写前后处理代码，也需要更多的测试工作来消除bug。
• 精度隐患：手动或借助网上开源但未经过实践验证过的前后处理代码，会有精度隐患，即当前对于某些图片精度很好，但对于另外的图片精度就下降。笔者就遇到过类似问题，原因在于调用了一个GitHub上下载的NMS()函数，这个函数对代码仓提供的范例模型有效，但对于笔者使用的模型恰恰就出现丢失检测对象的问题。
• 优化困难：解决了精度问题后，下一步就是通过多线程、模型压缩、Batch优化等软件技术进一步提升端到端的AI性能，节约硬件采购成本。这些软件技术对于计算机专业的工程师不算挑战，但对于千行百业中非计算机专业的工程师，却无形中建立起了一道极高的门槛。

        为了赋能千行百业的工程师，高效便捷的将AI模型集成到自己的产品中去，急需一个专门面向AI模型部署的软件工具。

1.2 FastDeploy简介

        FastDeploy是一款全场景、易用灵活、极致高效的AI推理部署工具。提供开箱即用的云边端部署体验, 支持超过 150+ Text, Vision, Speech和跨模态模型，并实现端到端的推理性能优化。包括图像分类、物体检测、图像分割、人脸检测、人脸识别、关键点检测、抠图、OCR、NLP、TTS等任务，满足开发者多场景、多硬件、多平台的产业部署需求。

 FastDeploy项目链接: https://github.com/PaddlePaddle/FastDeploy

1.3 英特尔独立显卡简介

        英特尔在2021年的构架日上发布了独立显卡产品路线图，OpenVINO从2022.2版本开始支持AI模型在英特尔独立显卡上做AI推理计算。

         当前已经可以购买的消费类独立显卡是英特尔锐炫TM独立显卡A7系列，并已发布在独立显卡上做AI推理计算的范例程序。

1.4 使用FastDeploy在英特尔CPU和独立显卡上部署模型的步骤

1.4.1 搭建FastDeploy开发环境

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

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

1.4.2 下载模型和测试图处

        FastDeploy支持的PaddleSeg预训练模型下载地址：FastDeploy/examples/vision/segmentation/paddleseg at develop · PaddlePaddle/FastDeploy · GitHub

        测试图片下载地址：https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png

使用命令，下载模型和测试图片

图片：

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

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

1.4.3 三行代码完成在项特尔CPU上的模型部署

    基于FastDeploy，只需三行代码即可完成在英特尔CPU上的模型部署，并获得经过后处理的推理结果。

import fastdeploy as fd

import cv2

# 读取图片

im = cv2.imread("cityscapes_demo.png")

# 加载飞桨PaddleSeg模型

model = fd.vision.segmentation.PaddleSegModel(“model.pdmodel”, “model.pdiparams”,“deploy.yaml”)

# 预测结果

result = model.predict(im)

print(result)

        将推理结果print出来，如下图所示，经过FastDeploy完成的AI推理计算，拿到的是经过后处理的结果，可以直接将该结果传给业务处理流程。

1.4.4 使用RuntimeOption 将AI推理硬伯切换项特尔独立显卡

        在上述三行代码的基础上，只需要使用RuntimeOption将AI推理硬件切换为英特尔独立显卡，完成代码如下所示： 

import fastdeploy as fd

import cv2

# 读取图片

im = cv2.imread("cityscapes_demo.png")

h, w, c = im.shape

# 通过RuntimeOption配置后端

option = fd.RuntimeOption()

option.use_openvino_backend()

option.set_openvino_device("GPU.1")

# 固定模型的输入形状

option.set_openvino_shape_info({"x": [1,c,h,w]})

# 加载飞桨PaddleSeg模型

model = fd.vision.segmentation.PaddleSegModel(“model.pdmodel”, “model.pdiparams”,“deploy.yaml”,

                                              runtime_option=option)                             

# 预测结果

result = model.predict(im)

        set_openvino_device()中字符串填写“GPU.1”是根据英特尔独立显卡在操作系统的中设备名称，如下图所示：

 

当前，在英特尔独立显卡上做AI推理，需要注意的问题有：

• 需要固定模型输入节点的形状(Shape)
• 英特尔GPU上支持的算子数量与CPU并不一致，在部署PPYOLE时，如若全采用GPU执行，会出现如下提示

             这是需要将推理硬件设置为异构方式

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

到此，使用FastDeploy在英特尔CPU和独立显卡上部署AI模型的工作全部完成。

1.5 总结

        面对千行百业中部署AI模型的挑战，FastDeploy工具很好的保证了部署AI模型的精度，以及端到端AI性能问题，也提高了部署端工作的效率。通过RuntimeOption，将FastDeploy的推理后端设置为OpenVINO，可以非常便捷将AI模型部署在英特尔CPU、集成显卡和独立显卡上。