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。

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 time

def 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 Thread

def 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)
    return

def 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, Process

def 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)
    return

def 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)
    return

async 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 ort

def init_session(weight):
    provider = "CUDAExecutionProvider"
    session = ort.InferenceSession(weight, providers=[provider])
    return session

def 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 frames

def 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

以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。