服务器部署

MMOCR 预先提供了一些脚本来加速模型部署服务流程。下面快速介绍一些在服务器端通过调用 API 来进行模型推理的必要步骤。

安装 TorchServe

你可以根据官网步骤来安装 TorchServe 和 torch-model-archiver 两个模块。

将 MMOCR 模型转换为 TorchServe 模型格式

我们提供了一个便捷的工具可以将任何以 .pth 为后缀的模型转换为以 .mar 结尾的模型来满足 TorchServe 使用要求。

python tools/deployment/mmocr2torchserve.py ${CONFIG_FILE} ${CHECKPOINT_FILE} \
--output-folder ${MODEL_STORE} \
--model-name ${MODEL_NAME}

:::{note} ${MODEL_STORE} 必须是文件夹的绝对路径。 :::

例如：

python tools/deployment/mmocr2torchserve.py \
  configs/textdet/dbnet/dbnet_r18_fpnc_1200e_icdar2015.py \
  checkpoints/dbnet_r18_fpnc_1200e_icdar2015.pth \
  --output-folder ./checkpoints \
  --model-name dbnet

启动服务

本地启动

准备好模型后，使用一行命令即可启动服务：

# 加载所有位于 ./checkpoints 中的模型文件
torchserve --start --model-store ./checkpoints --models all
# 或者你仅仅使用一个模型服务，比如 dbnet
torchserve --start --model-store ./checkpoints --models dbnet=dbnet.mar

然后，你可以通过 TorchServe 的 REST API 访问 Inference、 Management、 Metrics 等服务。你可以在TorchServe REST API 中找到它们的用法。

服务	地址
Inference	`http://127.0.0.1:8080`
Management	`http://127.0.0.1:8081`
Metrics	`http://127.0.0.1:8082`

:::{note} TorchServe 默认会将服务绑定到端口 8080、 8081 、 8082 上。你可以通过修改 config.properties 来更改端口及存储位置等内容，并通过可选项 --ts-config config.preperties 来运行 TorchServe 服务。

inference_address=http://0.0.0.0:8080
management_address=http://0.0.0.0:8081
metrics_address=http://0.0.0.0:8082
number_of_netty_threads=32
job_queue_size=1000
model_store=/home/model-server/model-store

:::

通过 Docker 启动

通过 Docker 提供模型服务不失为一种更好的方法。我们提供了一个 Dockerfile，可以让你摆脱那些繁琐且容易出错的环境设置步骤。

构建 `mmocr-serve` Docker 镜像

docker build -t mmocr-serve:latest docker/serve/

通过 Docker 运行 `mmocr-serve`

为了在 GPU 环境下运行 Docker，首先需要安装 nvidia-docker；或者你也可以只使用 CPU 环境而不必加 --gpus 参数。

下面的命令将使用 gpu 运行，将 Inference、 Management、 Metric 的端口分别绑定到8080、8081、8082上，将容器的IP绑定到127.0.0.1上，并将检查点文件夹 ./checkpoints 从主机挂载到容器的 /home/model-server/model-store 文件夹下。更多相关信息，请查看官方文档中 docker中运行 TorchServe 服务。

docker run --rm \
--cpus 8 \
--gpus device=0 \
-p8080:8080 -p8081:8081 -p8082:8082 \
--mount type=bind,source=`realpath ./checkpoints`,target=/home/model-server/model-store \
mmocr-serve:latest

:::{note} realpath ./checkpoints 指向的是 "./checkpoints" 的绝对路径，你也可以将其替换为你的 torchserve 模型所在的绝对路径。 :::

运行docker后，你可以通过 TorchServe 的 REST API 访问 Inference、 Management、 Metrics 等服务。具体你可以在TorchServe REST API 中找到它们的用法。

服务	地址
Inference	http://127.0.0.1:8080
Management	http://127.0.0.1:8081
Metrics	http://127.0.0.1:8082

4. 测试单张图片推理

推理 API 允许用户上传一张图到模型服务中，并返回相应的预测结果。

curl http://127.0.0.1:8080/predictions/${MODEL_NAME} -T demo/demo_text_det.jpg

例如，

curl http://127.0.0.1:8080/predictions/dbnet -T demo/demo_text_det.jpg

对于检测模型，你会获取到名为 boundary_result 的 json 对象。内部的每个数组包含以浮点数格式的，按顺时针排序的 x， y 边界顶点坐标。数组的最后一位为置信度分数。

{
  "boundary_result": [
    [
      221.18990004062653,
      226.875,
      221.18990004062653,
      212.625,
      244.05868631601334,
      212.625,
      244.05868631601334,
      226.875,
      0.80883354575186
    ]
  ]
}

对于识别模型，返回的结果如下：

{
  "text": "sier",
  "score": 0.5247521847486496
}

同时可以使用 test_torchserve.py 来可视化对比 TorchServe 和 PyTorch 结果。

python tools/deployment/test_torchserve.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE} ${MODEL_NAME}
[--inference-addr ${INFERENCE_ADDR}] [--device ${DEVICE}]

例如：

python tools/deployment/test_torchserve.py \
  demo/demo_text_det.jpg \
  configs/textdet/dbnet/dbnet_r18_fpnc_1200e_icdar2015.py \
  checkpoints/dbnet_r18_fpnc_1200e_icdar2015.pth \
  dbnet