本文介绍了如何向边缘节点部署基于 Triton 推理框架（即 Triton Inference Server）的模型服务。您可以部署边缘智能提供的官方模型，也可以部署自定义模型。
支持的模型框架
推理框架提供了模型的运行环境。Triton 推理框架兼容各种主流训练框架的模型。支持的模型框架包括：
ONNX、TensorRT、PyTorch、TensorFlow、OpenVINO、ByteNN、PaddlePaddle、Python、Ensemble、TensorRT-LLM
不同模型框架对边缘节点指令集架构、协处理器类型有不同的要求。具体如下表所示。在部署模型服务前，请确保您的边缘节点与要部署的模型是兼容的。
模型框架 | 指令集架构要求 | 协处理器要求 |
|---|---|---|
ONNX | x86/amd64、arm | CPU、GPU |
TensorRT | x86/amd64、arm | GPU |
PyTorch | x86/amd64、arm | CPU、GPU |
TensorFlow | x86/amd64、arm | CPU、GPU |
OpenVINO | x86/amd64 | CPU、GPU |
Bytenn | x86/amd64、arm | CPU、GPU |
PaddlePaddle | x86/amd64 | CPU、GPU |
前提条件
- 您已经为项目绑定了边缘节点。相关操作，请参见绑定节点。
- 如果您使用边缘节点型 aPaaS 工具，则 aPaaS 工具必须是 高级版。
边缘节点 - 基础版 aPaaS 工具不包含边缘推理功能。更多信息，请参见资源包（aPaaS 工具）计费说明。 - 如果您要部署自定义模型，您必须完成以下任务：创建自定义模型并为自定义模型创建和发布版本。相关操作，请参见创建自定义模型、创建一个版本。
操作步骤
登录边缘智能控制台。
在左侧导航栏顶部的 我的项目 区域，选择您的项目。
在左侧导航栏，选择 边缘推理 > 模型服务。
在 Triton框架 标签页，单击 部署模型服务。
在 部署模型服务 页面，配置以下参数，然后单击 确认。
区域
参数
说明
基本信息
所属项目
默认为当前选择的项目。
节点
选择需要部署模型服务的边缘节点。
服务名称
为模型服务设置名称。您可以使用以下字符：英文字母、数字、汉字、下划线（_）和连字符（-）。请注意以下规则：
- 长度限制为 32 个字符以内。
- 下划线和连字符不能用在开头或结尾，也不能连续使用。
- 名称不能与边缘节点上其他模型服务名称重复。
模型信息
模型
选择要使用的模型。您可以选择边缘智能的官方模型，也可以选择您创建的自定义模型。
模型版本
选择要使用的模型版本。
模型前后处理
选择要使用的前后处理版本。更多信息，请参见创建一个前后处理版本。
服务配置
服务状态类型
默认为 无服务状态。
最大批处理大小
设置最大批处理数量。取值范围：0 ~ 100。
注意
如果部署官方模型，在选择 模型 和 模型版本 后，请勿修改最大批处理的默认填充值。
如果部署自定义模型，可以参考以下说明设置最大批处理：
- 如果模型不支持批处理，最大批处理必须设置为 0，模型每次仅推理一个 batch。
- 如果模型支持批处理，最大批处理可以设置为一个大于等于 1 的整数，以便模型进行多批次动态推理。假设最大批处理为 N，则模型每次推理的 batch 数可以是 1~N。
推理框架在将 input 送入模型前会增加一个维度，用来表示批次数。
示例：
假设 Tensor 配置的输入形状为 [3, 640, 640]，最大批处理为 3。那么，送入模型的 input 为 [1, 3, 640, 640]、 [2, 3, 640, 640] 或 [3, 3, 640, 640] 都是可以接受的。HTTP端口
输入 HTTP 服务端口号。取值范围：30000 ~ 40000。
请确保您设置的端口号在目标边缘节点上未被其他服务占用。GRPC端口
输入 GRPC 服务端口号。取值范围：30000 ~ 40000。
请确保您设置的端口号在目标边缘节点上未被其他服务占用。部署实例
为每个子模型分别配置以下参数：
说明
当 模型 是 Ensemble 以外的类型时，子模型只有一个；当 模型 是 Ensemble 类型时，子模型有多个。更多信息，请参见创建自定义模型。
- CPU实例数：
表示预期在 CPU 上水平扩展的模型实例的数量。取值范围：0 ~ 100。 - GPU实例数：
表示预期在 GPU 上水平扩展的模型实例的数量。取值范围：0 ~ 100。 - GPU ID：
表示在哪个或哪些 GPU 上创建模型实例。仅在边缘节点上包含 GPU 时允许配置该参数。
默认情况下，模型实例会在指定节点的所有 GPU 上创建。如果设置了 GPU ID，则仅在指定的 GPU 上创建模型实例。
假设节点包含 N 个 GPU，则 GPU ID 使用 0、1、……、N-1 表示。 - 动态批处理：
设置是否开启动态批处理功能。该功能让模型服务器得以将多个推理请求组合，动态地生成一个批次。一般来说，创建请求批次可以优化吞吐量。
动态批处理 开启时，将会显示 最大延迟 参数。
最大延迟 表示表示批处理延迟的最大时间。（超过该时间会立刻开始推理。）单位：us。取值范围：0~1000000。 - 参数配置：
通过该参数自定义参数配置。自定义的参数配置将被推送到边缘节点。说明
- 只有当 模型 的类型是 Python 时，自定义的参数配置才会被启用。
- 如果您希望自定义 参数配置，请联系售后技术支持来协助您完成配置。
资源配置
为模型服务分配边缘节点资源。支持的配置项包括：
- CPU配额：
容器需要使用的最小 CPU 核数。单位：Core。使用一位小数表示。取值范围：0.1 ~ 128.0。 - CPU限额：
容器可以使用的最大 CPU 核数。单位：Core。使用一位小数表示。取值范围：0.1 ~ 128.0。 - 内存配额：
容器需要使用的最小内存值。单位：MB 或 GB。使用整数表示。取值范围：0MB ~ 128GB。 - 内存限额：
容器可以使用的最大内存值。单位：MB 或 GB。使用整数表示。取值范围：0MB ~ 128GB。
注意
如果模型服务在 CPU 或内存方面超过限额，容器将会被终止。
压缩模式
选择是否采用输入压缩模式来部署模型服务。
说明
当 模型 是 Ensemble 类型时，不支持开启压缩模式。
在模型服务与数据流分开部署的场景（如云边协同）建议开启输入压缩模式。开启输入压缩模式后，模型服务的部署会自动转化为一个 Ensemble 联合模型服务的部署，它包含三部分：Ensemble 模型，Python 前处理模型以及您选择的模型本身。
在这种模式下，整个 Ensemble 模型的输入图片 Tensor 会变成压缩后的 jpeg string。相对于原始模型，输入 Tensor 的大小有大幅度的缩小。Python 前处理模型则是用来将压缩后的 jpeg string 恢复成原始模型的输入 Tensor。示例：
假设原始模型的图片输入 Tensor 大小是 3×640×640，因此该输入 Tensor 大小是 4.6875MB。而压缩后，输入 Tensor 大小仅仅是 jpeg string 的大小，大约是几十 KB。共享内存
说明
只有当 模型框架 是 Python 或者 Ensemble 时，共享内存 才会显示。
设置 Docker 共享内存。带有模型服务的容器通常需要比 Docker 默认的 64MB 更大的共享内存。在大多数情况下，256MB 通常就足够了。您可以增加单个容器的共享内存 (SHM) 大小，也可以更改 Docker 的默认值。
- 对于 Python 类型的模型，默认共享内存为 64MB。
- 对于 Ensemble 类型的模型，默认共享内存为 512MB。
完成以上操作后，您可以在 模型服务 列表看到刚刚部署的模型服务。此时，模型服务的状态是 部署中。您可以将光标放置在状态旁边的问号图标上，了解部署进度。
说明
Triton 模型服务的部署基于边缘智能下发的 GPU 镜像文件。当您首次在某个边缘节点上部署模型服务时，该边缘节点将自动下载必要的 GPU 镜像文件。下载所需的时间长度取决于该边缘节点的网络环境，过程大约需耗时 5~10 分钟。若边缘节点已开启 GPU 镜像预加载 功能，则部署模型服务的时间将会明显缩短。更多信息，请参见绑定节点。
- 当模型服务的状态变为 运行中，表示模型服务已经部署成功。
- 如果模型服务的状态是 部署失败，您可以将光标放置在 部署失败 上，然后单击 查看原因，以获取具体的错误消息。