Triton推理服务器中YOLOv8n姿态模型负维度错误解决方案

问题背景

在使用Triton推理服务器部署YOLOv8n姿态估计模型(yolov8n-poses)时，开发者遇到了一个棘手的运行时错误。当尝试通过Ultralytics的YOLO类进行推理时，系统抛出"Trying to create tensor with negative dimension -941"的异常，导致姿态估计功能无法正常工作。

错误分析

该错误的核心在于模型后处理阶段尝试创建具有负维度的张量。具体来说，在非极大值抑制(NMS)操作中，系统试图创建一个形状为[0, -941]的张量，这显然是无效的。这种情况通常发生在模型输出与预期格式不匹配，或者关键模型参数未正确初始化时。

解决方案

经过深入排查，发现问题根源在于模型的关键参数未正确设置。YOLOv8姿态估计模型需要两个重要参数：

1. kpt_shape：定义关键点的形状，通常为[关键点数量, 坐标维度]
2. names：类别名称字典

通过创建自定义的YOLO类，可以手动设置这些关键参数，从而解决负维度错误。以下是实现方案：

from ultralytics import YOLO

class CustomYOLO(YOLO):
    def __init__(self, model="yolov8n.pt", task=None, verbose=False):
        super().__init__(model, task, verbose)
        
        if task == 'pose':
            # 设置类别名称(姿态估计通常只有"person"一类)
            var_names = {0: "person"}
            # 初始化预测器
            self.predictor = self._smart_load("predictor")(_callbacks=self.callbacks)
            self.predictor.setup_model(model=self.model, verbose=False)
            # 更新模型关键参数
            self.predictor.model.__dict__.update({
                "names": var_names, 
                "kpt_shape": [17, 3]  # 17个关键点，每个点3个值(x,y,置信度)
            })

使用示例

配置好自定义类后，可以像常规YOLO模型一样使用：

from custom_yolo import CustomYOLO as YOLO

# 连接到Triton服务器上的模型
model = YOLO(f"grpc://localhost:8001/yolov8n_pose", task="pose")

# 执行推理
results = model.predict(image_path)

# 保存带有关键点标注的结果
results[0].save(output_path)

技术要点

1. 关键点形状(kpt_shape)：YOLOv8姿态模型默认检测17个人体关键点(COCO数据集标准)，每个关键点包含x坐标、y坐标和置信度三个值。

2. 类别名称(names)：虽然姿态估计通常只检测"person"一类，但模型仍需要这个参数来完成后处理流程。

3. Triton集成：解决方案不仅适用于本地模型，也适用于通过gRPC连接到Triton服务器上的模型实例。

总结

通过自定义YOLO类并正确设置关键参数，可以有效解决YOLOv8n姿态模型在Triton推理服务器上运行时出现的负维度错误。这种方法不仅解决了当前问题，也为在Triton上部署其他需要特殊参数设置的模型提供了参考思路。开发者可以根据实际需求调整关键点数量和类别名称，以适应不同的应用场景。