PyTorch Serve项目:解决Docker容器中GPU无法使用的问题
2025-06-14 09:59:55作者:胡易黎Nicole
问题背景
在使用PyTorch Serve部署深度学习模型时,许多开发者会遇到Docker容器无法正确识别和使用GPU的问题。本文将以一个实际案例为基础,详细介绍如何解决这一问题。
问题现象
开发者在使用自定义Docker镜像部署PyTorch Serve服务时,发现服务虽然能够正常运行,但实际使用的是CPU而非GPU进行计算。从日志中可以看到,系统正确识别了GPU设备(NVIDIA GeForce RTX 3050 Laptop GPU),但模型推理仍然在CPU上执行。
环境配置
硬件配置
- CPU: Ryzen 7 4800H
- GPU: RTX 3050 Mobile GPU
- RAM: 24GB
- 存储: 512GB + 256GB SSD
软件环境
- 操作系统: Windows Sub-System Linux Ubuntu 20.04 (WSL集成)
- Docker: 启用WSL集成
- Python: 3.8.16
- PyTorch Serve: 0.9.0
- Torch: 2.1.2
- Torchvision: 0.16.2
问题分析
从日志中可以观察到几个关键点:
- 系统正确识别了GPU设备
- ONNX运行时显示已启用
- 但实际计算仍发生在CPU上
- 性能指标显示CPU利用率达到100%
这通常表明CUDA运行时与ONNX版本之间存在兼容性问题。
解决方案
1. 检查CUDA与ONNX版本兼容性
经过排查发现,CUDA 12与最新版ONNX运行时存在兼容性问题。解决方案是:
- 降级到CUDA 11.8
- 使用ONNX Runtime GPU 1.15版本
2. 修改Dockerfile
确保Dockerfile中正确安装了CUDA相关依赖:
FROM python:3.8.16-bullseye
RUN apt-get update && apt-get upgrade -y
RUN apt-get install -y openjdk-11-jre && apt-get clean
RUN useradd -m model-server
ENV JAVA_HOME /usr/lib/jvm/java-11-openjdk-amd64
ADD requirements.txt .
RUN pip install -r requirements.txt
ADD start.sh config.properties service/
ADD model-store service/model-store/
WORKDIR /service/
RUN chmod +x /service/start.sh \
&& chown -R model-server /service
RUN chown -R model-server /service/model-store
USER model-server
ENTRYPOINT [ "/service/start.sh" ]
CMD [ "serve" ]
3. 调整requirements.txt
确保requirements.txt中包含正确的依赖版本:
imutils
torch
torchvision
onnxruntime-gpu==1.15
onnx
pyaml
torchserve
grpcio
opencv-python
scipy
torch-model-archiver
matplotlib
nvgpu
4. 模型处理
使用torch-model-archiver正确打包ONNX模型:
torch-model-archiver --model-name FaceRecognition \
--version 1.0 \
--serialized-file ./resnet_34.onnx \
--extra-files ./MyHandler.py \
--handler my_handler.py \
--export-path model-store -f
自定义Handler实现
对于ONNX模型,需要实现自定义Handler。以下是YOLOv8模型的Handler示例:
import logging
import onnxruntime
import torch
import cv2
import numpy as np
from PIL import Image
import os
import io
import urllib.request
from ts.torch_handler.base_handler import BaseHandler
from util_v8 import *
class FaceDetection(BaseHandler):
def __init__(self):
self.session = None
self.providers = ['TensorrtExecutionProvider', 'CUDAExecutionProvider', 'CPUExecutionProvider']
self.img = None
self.blob = None
def initialize(self, context):
self._context = context
self.manifest = context.manifest
properties = context.system_properties
model_dir = properties.get("model_dir")
serialized_file = self.manifest['model']['serializedFile']
model_file_path = os.path.join(model_dir, serialized_file)
sess_options = onnxruntime.SessionOptions()
self.session = onnxruntime.InferenceSession(model_file_path, sess_options=sess_options, providers=['CPUExecutionProvider'])
def preprocess(self, data):
data_get = data[0].get("data") or data[0].get("body")
if isinstance(data_get, str):
req = urllib.request.urlopen(data_get)
image = Image.open(io.BytesIO(req.read()))
else:
byte_data = io.BytesIO(data_get)
image = Image.open(byte_data)
raw_data = np.array(image)
self.img = raw_data
img = cv2.cvtColor(raw_data, cv2.COLOR_RGB2BGR)
im = pre_process(img)
return im.detach().numpy()
def inference(self, blob):
self.blob = blob
outputs = self.session.run(None, {self.session.get_inputs()[0].name: blob})
return outputs[0]
def postprocess(self, preds):
res = []
preds = non_max_suppression(torch.from_numpy(np.asarray(preds))[0]
bbox = scale_boxes([640, 640], preds[:, :4], self.img.shape).round().detach().numpy()
score = preds[:, 4].detach().numpy()
cls = preds[:, 5].detach().numpy()
res.append({"output": preds.tolist(), "bbox": bbox.tolist(), "label": cls.tolist(), "score": score.tolist()})
return [res]
运行容器
确保使用--gpus参数运行容器:
docker run --rm -it -d --gpus all -p 8090:8080 -p 8091:8081 api_lanc
验证GPU使用
成功配置后,可以在日志中看到以下关键信息:
- GPU利用率指标出现
- 推理速度显著提升
- CPU利用率降低
总结
PyTorch Serve在Docker容器中使用GPU时,需要注意以下几点:
- CUDA版本与ONNX运行时的兼容性
- 正确的Docker构建和运行参数
- 适当的Handler实现
- 版本匹配的依赖关系
通过上述步骤,可以确保PyTorch Serve服务能够充分利用GPU资源,提高模型推理效率。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
168
2.05 K

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
92
599

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
199
279

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
563

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

Git4Research旨在构建一个开放、包容、协作的研究社区,让更多人能够参与到开放研究中,共同推动知识的进步。
HTML
25
4

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0