利用|利用 onnxruntime 库同时推理多个模型的效率研究

1. 背景 需求:针对视频形式的数据输入,对每一帧图像,有多个神经网络模型需要进行推理并获得预测结果。如何让整个推理过程更加高效,尝试了几种不同的方案。
【利用|利用 onnxruntime 库同时推理多个模型的效率研究】硬件:单显卡主机。
2. 方案 由于存在多个模型需要推理,但模型之间没有相互依赖关系,因此很容易想到通过并行的方式来提高运行效率。
对比了如下几种方案的结果,包括:

  1. 串行
  2. 线程
  3. 进程
  4. 协程
3. 实现 3.1 整体流程
配置了 4 个体量相近的模型。
为了屏蔽读取和解码的时间消耗对最终结果的影响,提前读取视频并准备输入。
统计每个单独模型执行推理的累积时间,以及整体的运行时间。
import asyncio from time import timedef main(): frames = load_video() weights = load_weights()print('串行:') one_by_one(weights, frames) print('多线程:') multit_thread(weights, frames) print('多进程:') multi_process(weights, frames) print('协程:') asyncio.run(coroutine(weights, frames))

3.2 串行
读取到当前帧数据后,所有模型依次运行。
def one_by_one(weights, frames): sessions = [init_session(weight) for weight in weights] costs = [[] for _ in range(len(weights))] since_infer = time() for frame in frames: for session in sessions: since = time() _ = session.run('output', {'input': frame}) cost = time() - since costs[idx].append(cost) print([sum(cost) for cost in costs]) print("infer:", time() - since_infer) return

3.3 多线程
为每一个模型分配一个线程。
from threading import Threaddef multit_thread(weights, frames): sessions = [init_session(weight) for weight in weights] threads = [] since_infer = time() for session in sessions: thread = Thread(target=run_session_thread, args=(session, frames)) thread.start() threads.append(thread) for thread in threads: thread.join() print("infer:", time() - since_infer) returndef run_session_thread(session, frames): costs = [] for frame in frames: since = time() _ = session.run('output', {'input': frame}) costs.append(time() - since) print(sum(costs)) return

3.4 多进程
为每一个模型分配一个进程。
由于 session 不能在进程间传递,因此需要在每个进程的内部单独初始化。如果数据较多,这部分初始化的时间消耗基本可以忽略不急。
from multiprocessing import Manager, Processdef multi_process(weights, frames): inputs = Manager().list(frames) processes = [] since_infer = time() for weight in weights: process = Process(target=run_session_process, args=(weight, inputs)) process.start() processes.append(process) for process in processes: process.join() print("infer:", time() - since_infer) returndef run_session_process(weight, frames): session = init_session(weight) costs = [] for frame in frames: since = time() _ = session.run('output', {'input': frame}) costs.append(time() - since) print(sum(costs)) return

3.5 协程
为每一个模型分配一个协程。
async def coroutine(weights, frames): sessions = [init_session(weight) for weight in weights] since_infer = time() tasks = [ asyncio.create_task(run_session_coroutine(session, frames)) for session in sessions ] for task in tasks: await task print("infer:", time() - since_all) returnasync def run_session_coroutine(session, frames): costs = [] for frame in frames: since = time() _ = session.run('output', {'input': frame}) costs.append(time() - since) print(sum(costs)) return

3.6 其他辅助函数
import cv2 import numpy as np import onnxruntime as ortdef init_session(weight): provider = "CUDAExecutionProvider" session = ort.InferenceSession(weight, providers=[provider]) return sessiondef load_video(): # 为了减少读视频的时间,复制相同的图片组成batch vcap = cv2.VideoCapture('path_to_video') count = 1000 batch_size = 4 frames = [] for _ in range(count): _, frame = vcap.read() frame = cv2.resize(frame, (256, 256)).transpose((2, 0, 1)) frame = np.stack([frame] * batch_size, axis=0) frames.append(frame.astype(np.float32)) return framesdef load_weights(): return ['path_to_weights_0', 'path_to_weights_1', 'path_to_weights_2', 'path_to_weights_3',]

4. 结果及分析 4.1 执行结果
batch_size=4共运行 1000 帧数据,推理结果如下:
方案 串行 线程 进程 协程
单模型累积时间/s 7.9/5.3/5.2/5.2 13.5/13.5/15.6/15.7 13.5/13.8/13.7/13.6 6.5/5.2/5.3/5.3
总时间/s 23.7 15.8 30.1 22.5
显存占用/MB 1280 1416 3375 1280
平均 GPU-Util 约 60% 约 85% 约 70% 约 55%
  • 在这个场景下,多线程是综合效率最高的方式(时间最短、显存占用合理、GPU 利用率最高);
  • 串行作为最基础的方案,总时间就是每个模型执行时间之和;
  • 多进程的方式,单模型的累积时间与多线程类似,但是总时间有明显增加,且极大增加了显存占用;
  • 用协程的方式,总结果看,与串行模式本质上是一样的。
4.2 结果分析
4.2.1 关于线程方案 为什么多线程相比串行可以提高运行效率?
  • 基本的判断是,session.run()函数运行时,既有 CPU 执行的部分,又有 GPU 执行的部分;
  • 如果是串行方案,则 CPU 运行时,GPU 会等待,反之亦然;
  • 当换用多线程方案后,当一个线程从 CPU 执行切换到 GPU 执行后,会继续执行另一个线程的 CPU 部分,并等待 GPU 返回结果。
4.2.2 关于进程方案 为什么多进程反而降低了运行效率?
  • 基本的判断是,整体执行的瓶颈并不在 CPU 的运算部分,而是在于 GPU 上模型前向推理的计算部分;
  • 因此,用多个进程并没有充分利用系统资源,多个 CPU 核心会争夺同一个 GPU 的计算资源,并增加了调度消耗。
4.2.3 关于协程方案 为什么看起来协程与串行的效果一样?
协程方案在执行过程中,从表现上来看:
  • 单个模型的累积时间是逐步print出来的,间隔大致等于每个模型的累积时间(而线程和进程方案中,几乎是同时输出 4 个模型的累积时间,说明是同时运行结束);
  • 显存占用是逐步增加的,最后达到与串行方案一致。
可能的原因:
  • CPU 和 GPU 的任务切换,可能无法触发协程的切换,导致最终的效果是,一个模型完成了所有数据的推理后,再进行下一个模型的推理。
使用协程的必要性:
  • 从线程改为协程,是为了进一步降低线程切换的消耗;
  • 在这个场景下,需要同时执行推理的模型数量一般不会太多,建立同样数量的线程,系统资源的消耗是可控的;
  • 因此,没有使用协程的必要性。
关于协程的使用,也是现学,有可能因为使用方法不当而得出以上的结论。如有错误,欢迎指正。

    推荐阅读