가장 중요한 사이트 같으며, 며칠사이에 못보던 것들이 늘어, 이를 일일히 정리하는 것은 의미가 없을 것 같어 링크만 연결한다. (못보고 지나친건지?)
추후 이 기술들이 어떻게 통합될지도 현재 잘 모르겠으며, 변화 중이라 이 사항들은 개발관련 것만 알아두도록 하자.
- Mixed precision in AI frameworks (Automatic Mixed Precision)
- Deep Learning Primitives (cuDNN)
- Input Data Processing (DALI)
- Multi-GPU Communication (NCCL)
- Deep Learning Inference Engine (TensorRT)
- Deep Learning for Video Analytics (DeepStream SDK)
- Optical Flow for Video Inference (Optical Flow SDK)
- High level SDK for tuning domain specific DNNs (Transfer Learning Toolkit)
- AI enabled Annotation for Medical Imaging (AI-Assisted Annotation SDK)
- Deep Learning GPU Training System (DIGITS)
- Linear Algebra (cuBLAS)
- Sparse Matrix Operations (cuSPARSE)
https://developer.nvidia.com/deep-learning-software
1.1 TensorRT의 inference 최적화
( X축은 처리량(throughput), Y축은 응답시간(Latency) ,상위 숫자는 Batch Size)
GPU 와 CPU를 비교를 해보면, Batch Size가 두배씩 커질때마다 Latency만 비교해 보면 GPU는 크게 차이는 나지는 않지만, CPU는 많이 차이가 난다.
(GPU의 중요성)
최근에 찾은자료로 TensorRT Engine 관련내용으로 비록 오랜된 자료지만, 충분히 볼만한 것 같다.
출처:
https://www.slideshare.net/deview/232-dl-inference-optimization-using-tensor-rt-1-119162975
2. Jetson AGX Xavier 의 TensorRT
Jetson TX2의 TensorRT와 거의 유사하지만, 다른점은 DLA은 HW적 지원과 GPU의 성능이 다르므로, 관련 지원사항을 반드시 확인해야한다.
그리고 더불어 AGX Xavier에서는 TensorRT 이외 Vision Accelerator 가 존재하므로, 이 것이 Visionwork 혹은 OpenCV 기능 지원가능한지 파악을 해야겠다.
OpenVX기능을 Vision Accelerator라고 하는 것 같음
현재 문서로봐서는 VisionWork에서만 지원이 되는 것 같은데, 세부소스를 보고 분석한 다음 좀 파악을 해야할 것 같다.
HW적으로 TensorCore도 지원을 해준다고 한다.
그리고 더불어 TensorRT의 Manual update되고 있으므로, 관련기술들을 이해하기가 쉬워지는 것 같다.
ONNX Model로 TensorRT를 사용한다면, 아래와 같이 동작
- ONNX Model import 하고 Build TensorRT Engine 생성하여, Serialized Engine 생성
- Inference 로 사용될 경우, Deserialize Engine을 진행하고 이를 Inference 수행
세부내용은 아래문서를 참조
출처:
https://devblogs.nvidia.com/speed-up-inference-tensorrt/
2.1 TensorRT Release 정보 및 Version
- TensorRT Version 및 Package 확인
$ dpkg -l | grep TensorRT // TensorRT의 Version Check ii libnvinfer-dev 5.0.3-1+cuda10.0 arm64 TensorRT development libraries and headers ii libnvinfer-samples 5.0.3-1+cuda10.0 all TensorRT samples and documentation ii libnvinfer5 5.0.3-1+cuda10.0 arm64 TensorRT runtime libraries ii tensorrt 5.0.3.2-1+cuda10.0 arm64 Meta package of TensorRT
TensorRT 5.0.3 Release
https://docs.nvidia.com/deeplearning/sdk/tensorrt-release-notes/tensorrt-5.html#rel_5-0-3
TensorRT 5.x.x Release
https://docs.nvidia.com/deeplearning/sdk/tensorrt-release-notes/tensorrt-5.html#tensorrt-5
2.2 TensorRT Install Guide
TensorRT를 사용하기 위해서 설치해야할 부분 (X86전용 Manual이므로 참조만 )
https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html
Jetson TX2에서 설치한 Package 설명 (상위 Manual 기반)
https://ahyuo79.blogspot.com/2019/05/jetpack-42.html
2.3 TensorRT의 주요기능
TensorRT Engine의 구성은 C++로 구현이되었으며, 현재 Python API도 지원이 가능하다고 한다. 하지만 기본이 C++ 이므로 이점을 잊지말아야한다.
TensorRT의 Layers
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#layers
- TensorRT의 Key Interface
- Network Definition: Network Layer를 직접 추가하고 이를 설정가능한 interface
- Builder: Builder는 Network Definition에서 최적화된 Engine 부터 다른 최적화기능 Interface 제공
- Engine : Inference를 실행할수 있는 Engine 생성하는 Interface
- Caffe Parser : Caffe Model의 Parser 기능
- UFF Parser : UFF Model의 Parser 기능
- ONNX Parser : ONNX Model Parser 기능
TensorRT의 Key Interface 설명
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#api
- Network Definition/Builder/Engine C++ API
https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/c_api/classnvinfer1_1_1_i_network_definition.html
Builder (IBuilder, C++ API)
https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/c_api/classnvinfer1_1_1_i_builder.html
Engine( ICudaEngine, C++ API )
https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/c_api/classnvinfer1_1_1_i_cuda_engine.html
2.4 TensorRT의 C++/Python API
우선 아래의 사이트에서 C++로 TensorRT를 작성하는 예제를 이해를 해보자.
우선 TensorRT Inference Engine을 실행하기 위해서는 IExecutionContext Object필요하며,
IExecutionContext를 만들기 위해서는 상위 ICudaEngine(Engine) 을 생성해야한다고 한다.
IExecutionContext (C++API)
https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/c_api/classnvinfer1_1_1_i_execution_context.html
- Engine 만드는 법은 두가지 방법 중 하나로 생성가능
- User Model에서 직접 Network Definition을 생성, 이 경우 Engine은 옵션으로 Serialize하여 나중에 사용을 위해서 저장
- disk에서 Serizilized Engine을 읽어서 실행하는 경우로 이게 성능이 좋다고하며, Model을 Pasreing하는 단계 이후에 가능
- 1번째방법
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#create_network_c
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#create_network_python
- 2번째방법
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#import_model_c
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#import_model_python
- Creating the TensorRT Engine
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#build_engine_c
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#build_engine_python
- Creating the TensorRT Engine
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#serial_model_c
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#serial_model_python
- Creating an execution context
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#perform_inference_python
- Creating TensorRT runtime
createInferRuntime(gLogger)는 아래의 iRuntime를 생성할 수 있다고 한다.
이는 DeserializeCudaEngine을 실행하면서 실제 실행을 진행한다고 하는데, 상위를 보면 Serialized를 했을 경우인것 만 같다.
(Engine은 Serialize로 File 저장)
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#serial_model_c
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#serial_model_python
iRuntime
https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/c_api/classnvinfer1_1_1_i_runtime.html
TensorRT C++ API
세부내용아래참조
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#c_topics
TensorRT API (C++ API/ Python API)
https://docs.nvidia.com/deeplearning/sdk/tensorrt-api/index.html
3. TensorRT 의 Sample
기존 Jetson TX2와 거의 동일하며, 차이라면, 상위에서 설명한 DLA가 trtexec 에서 HW적으로 지원을 해준다는 것이다.
아래의 소스를 다 검토해보는 시간이 없기에, 이전에 Jetson TX2에서 실행해본 것을 참조하고 넘어가자.
$ cd /usr/src/tensorrt/samples // Jetson TX2 의 Sample 과 거의유사함 $ ls common Makefile sampleCharRNN sampleGoogleNet sampleINT8API sampleMNIST sampleMovieLens sampleOnnxMNIST sampleSSD sampleUffSSD getDigits Makefile.config sampleFasterRCNN sampleINT8 sampleMLP sampleMNISTAPI sampleNMT samplePlugin sampleUffMNIST trtexec $ sudo make -j4 // Build Sample , Jetson TX2와 동일 $ cd /usr/src/tensorrt/bin // 실행해보면, model을 못찾는데, 이것이 tensorrt 내에도 없다. Jetpack.4.1.1 말고 추후 4.2에서 테스트 $ ls chobj sample_fasterRCNN sample_int8_api_debug sample_mnist_api_debug sample_onnx_mnist sample_uff_mnist dchobj sample_fasterRCNN_debug sample_int8_debug sample_mnist_debug sample_onnx_mnist_debug sample_uff_mnist_debug download-digits-model.py sample_googlenet sample_mlp sample_movielens sample_plugin sample_uff_ssd giexec sample_googlenet_debug sample_mlp_debug sample_movielens_debug sample_plugin_debug sample_uff_ssd_debug sample_char_rnn sample_int8 sample_mnist sample_nmt sample_ssd trtexec sample_char_rnn_debug sample_int8_api sample_mnist_api sample_nmt_debug sample_ssd_debug trtexec_debug
Xavier TensorRT Sample
https://developer.ridgerun.com/wiki/index.php?title=Xavier/Deep_Learning/TensorRT/Building_Examples
TensorRT Sample Guide
https://docs.nvidia.com/deeplearning/sdk/tensorrt-sample-support-guide/index.html
3.1 DIGITS(the Deep Learning GPU Training System)
DIGITS가 아래의 Deep Learning GPU Training System이며, 숫자(DIGITS)하고 혼동하지말자
이 부분은 Training 관련부분이기때문에 이곳에서 생략하고, 추후에 사용할 경우 자세히 읽고 사용방법을 알아보자.
https://docs.nvidia.com/deeplearning/digits/digits-installation/index.html
DIGITS Source ( DIGITS Server 운영)
https://github.com/NVIDIA/DIGITS/releases
NVIDIA GPU Cloud와 사용가능한 것 같으며, 이전에 파악했던것으로 NVIDIA GPU Gloud는 ARM은 미지원으로 Training 위주로 사용되어진것으로 알고 있다.
(추후 GPU Cloud 접속후 지속적으로확인)
그리고 더불어 NVIDIA Docker 역시 ARM은 미지원인것으로 알고 있는데, 추후 확인하자.
https://developer.nvidia.com/digits
https://github.com/NVIDIA/DIGITS/blob/master/docs/ModelStore.md
https://github.com/NVIDIA/DIGITS/tree/master/docs
DIGIST SERVER 관련 Manual
https://docs.nvidia.com/deeplearning/digits/digits-installation/index.html#startingserver
- Xavier의 DIGITS Model Download 기능
현재 Training System 부분의 Server가 없으므로 무용지물
$ cd /usr/src/tensorrt/bin // DIGIT 의 기능 $ ls download-digits-model.py giexec trtexec // Jetson TX2와 동일 상위 참조 , 상위 python 실행을 위해 기본설치 $ sudo apt-get install -y python-pip python-dev // python2 상위소스가 python 2이므로 이것만설치 $ sudo apt-get install -y python3-pip python3-dev // python3 , 다른 소스는 python3 이므로 설치 $ pip install wget $ pip install requests $ python download-digits-model.py usage: download-digits-model.py [-h] [-n HOSTNAME] [-p PORT] output_file download-digits-model.py: error: too few arguments $ python download-digits-model.py -h // 상위 DIGITS Source는 보면, Server 돌리는 것이며, 이 python은 Local에서 DIGITS Server 주소와 연결하는 기능같다. usage: download-digits-model.py [-h] [-n HOSTNAME] [-p PORT] output_file Download a DIGITS model tarball positional arguments: output_file output file (should end with .zip, .tar, .tar.gz or .tar.bz2) optional arguments: -h, --help show this help message and exit -n HOSTNAME, --hostname HOSTNAME hostname for the DIGITS server [default=127.0.0.1] -p PORT, --port PORT port for the DIGITS server [default=80]
3.2 TensorRT의 DLA(Deep Learning Accelerator)
이전의 Jetson TX2의 SW적으로 지원하던 gieexec와 trtexec기능이 Xavier에서는 HW적으로 DLA로 지원가능하며,
상위 Sample에서도 README 글을 읽어보면 지원이 가능하다.
$ cd /usr/src/tensorrt/bin // DLA 의 기능 $ ls download-digits-model.py giexec trtexec $ ./trtexec // 옵션 과 사용법도 거의 유사 Mandatory params: --deploy=Caffe deploy file OR --uff= UFF file OR --onnx= ONNX Model file Mandatory params for UFF: --uffInput= ,C,H,W Input blob name and its dimensions for UFF parser (can be specified multiple times) --output= Output blob name (can be specified multiple times) Mandatory params for Caffe: --output= Output blob name (can be specified multiple times) Optional params: --input= Input blob name (can be specified multiple times) --model= Caffe model file (default = no model, random weights used) --batch=N Set batch size (default = 1) --device=N Set cuda device to N (default = 0) --iterations=N Run N iterations (default = 10) --avgRuns=N Set avgRuns to N - perf is measured as an average of avgRuns (default=10) --percentile=P For each iteration, report the percentile time at P percentage (0<=P<=100, with 0 representing min, and 100 representing max; default = 99.0%) --workspace=N Set workspace size in megabytes (default = 16) --fp16 Run in fp16 mode (default = false). Permits 16-bit kernels --int8 Run in int8 mode (default = false). Currently no support for ONNX model. --verbose Use verbose logging (default = false) --engine= Engine file to serialize to or deserialize from --calib= Read INT8 calibration cache file. Currently no support for ONNX model. --useDLACore=N Specify a DLA engine for layers that support DLA. Value can range from 0 to n-1, where n is the number of DLA engines on the platform. --allowGPUFallback If --useDLACore flag is present and if a layer can't run on DLA, then run on GPU. --useSpinWait Actively wait for work completion. This option may decrease multi-process synchronization time at the cost of additional CPU usage. (default = false)
TensorRT의 DLA 사용법
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#dla_topic
TensorRT의 DLA 실제 사용예제
https://devtalk.nvidia.com/default/topic/1041768/jetson-agx-xavier/tensorrt-5-docs-and-examples-solved-/
TensorRT의 DLA 가 지원하는 Layers
https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#dla_layers
Xavier 관련 한글사이트 발견
https://goodtogreate.tistory.com/entry/TensorRT%EC%9D%B4%EC%9A%A9%ED%95%9C-Xavier-DLA-NVDLA-%EC%8B%A4%ED%96%89
성능설정 부분 Jetson TX2와 거의 동일
https://goodtogreate.tistory.com/entry/Jetson-AGX-Xavier-%EB%8F%99%EC%9E%91-%EB%AA%A8%EB%93%9C-%EB%B3%80%EA%B2%BD-%EB%B0%8F-TensorFlowGPU-%EC%84%A4%EC%B9%98%EC%99%80-%EC%8B%A4%ED%96%89-%EA%B7%B8%EB%A6%AC%EA%B3%A0-%EC%84%B1%EB%8A%A5-%EB%B6%84%EC%84%9D
- TensorRT의 최적화 와 Profile 방법 (NSIGHT 이용 및 TensorRT의 batch등등)
4. Visionworks sample
Visionworks는 Khronos OpenVX 지원을 하고 있다고 한다. Sample 예제들은 Jetson TX2의 예제들과 거의 비슷하다.
현재 HW적으로, Xavier는 Vision 관련부분이 지원하므로, 성능문제라면, Visionworks를 사용해야할지 모르겠다.
OpenVX
https://www.khronos.org/openvx/
$ /usr/share/visionworks/sources/install-samples.sh ~/ $ cd ~/VisionWorks-1.6-Samples/ $ make -j4 # add dbg=1 to make debug build $ cd ~/VisionWorks-1.6-Samples/bin/aarch64/linux/release $ ls nvx_demo_feature_tracker nvx_demo_motion_estimation nvx_sample_nvgstcamera_capture nvx_sample_opengl_interop nvx_demo_feature_tracker_nvxcu nvx_demo_stereo_matching nvx_sample_object_tracker_nvxcu nvx_sample_player nvx_demo_hough_transform nvx_demo_video_stabilizer nvx_sample_opencv_npp_interop $ ./nvx_demo_feature_tracker // Jetson TX2 와 거의 비슷하다. $ cd ~/VisionWorks-SFM-0.90-Samples/bin/aarch64/linux/release nvx_sample_sfm
https://developer.ridgerun.com/wiki/index.php?title=Xavier/JetPack_4.1/Components/VisionWorks
댓글 없음 :
댓글 쓰기