【torchserve使用最终篇】修改handler文件来实现自己的推理流程|部署onnx模型|部署tensorrt模型

目录

前言

handler文件的构造说明

类别继承关系

initialize方法模块：模型的初始化

load_model:模型加载模块

preprocess：前处理过程 

inference：推理过程

postprocess：后处理过程

 依赖文件打包方法

步骤：

其他问题

---

前言

在之前我们提到如何去配置torchserve，这使得我们对其有了初步的了解和认识：【torchserve安装和使用】torchserve部署方法|常见问题汇总|mmdetection使用torchserve部署|不使用docker_活成自己的样子啊的博客-CSDN博客_torchserve部署https://blog.csdn.net/m0_61139217/article/details/125014279?spm=1001.2014.3001.5501

本篇旨在研究handler文件的写法，来自定义属于自己的模型推理流程。

QQ：1757093754   欢迎交流、学习！ 

先给出官网，万物官网可解决~~~：（官网还有）1. TorchServe — PyTorch/Serve master documentationhttps://pytorch.org/serve/

注：本篇博文旨在研究handler文件的编写方式，故所有代码均以图片的形式给出， 自己动手实现一遍更有意义！！！

---

handler文件的构造说明

要想自定义handler文件的推理代码，首先需要了解handler文件他的构造原理，以及类方法的调用过程，方便之后我们部署tensorrt模型、onnx模型。

类别继承关系

所有的handler类均继承自basehandler类，它提供了最原始的initialize（模型的初始化）、_load_torchscript_model（模型加载）、_load_pickled_model（模型加载）、preprocess（前处理）、inference（推理）、postprocess（后处理）主要方法。（我们只需重写这几个方法即可。其他方法均是内置推理过程，无需修改！）

注：torchserve在默认情况下只支持部署pytorch和torchscript这两种模型文件。

basehandler类initialize方法：（截取了加载模型的代码部分）

 （load_pickled_model 是加载pytorch模型；load_torchscript_model 是加载torchscript模型）

我们自定义的handler类可以直接继承其继承好的类，例如继承自basehandler的testhandler、visionhandler类。这里我们直接继承basehandler类即可。

initialize方法模块：模型的初始化

initialize方法主要负责模型的初始化，在basehandler里面其具有以下功能：

1.设置运行环境（GPU or CPU）

2.加载模型权重

 注：

1.这里加载模型权重的方法是根据 model_file 这一变量区分的。其为包含模型类的model.py，且这个文件里面有且仅有一个类来表示模型类。（因为torchscript的权重不仅保存了模型训练出来的参数，也保存了模型的原始信息，故torchscript权重在加载的时候无需指定该模型类了）

2.默认的初始化方法只会加载pytorch、torchscript权重。

3.加载类别对应名称的json

其他类在继承basehandler类的时候会调用父类的 initialize 方法：

这里以visionhandler为例。 

load_model:模型加载模块

上文提到，初始化方法只会加载pytorch、torchscript权重：

我们可以通过以下方法来在自定义的类里面加载模型：

• 重写 _load_torchscript_model、_load_pickled_model 方法来加载模型权重。
• 自定义一个权重加载方法来专门加载模型权重，并且重写initialize方法来调用自定义方法。

preprocess：前处理过程 

该模块方法主要功能是处理post请求发来的数据（也可以是其他请求，这里以post请求为例）：

注：该方法有一个返回值【images】，该参数会成为inference方法的参数。

inference：推理过程

该方法主要负责模型的前向传播，即将preprocess函数返回的images传入模型进行预测。也可以自己编写代码实现其方法。

这里插上我的代码：

 注：

1.我的images是一个二维列表，每一个元素是 数据增强后的图像（im） + 原始图像（im0）。（例如目标检测类问题，在模型输出预测框的时候需要对预测框进行等比例缩放）

2.该方法有一个返回值【results】， 该参数会成为postprocess方法的参数。

postprocess：后处理过程

该部分代码负责对模型输出结果的一些其他处理，例如计算非极大值抑制等等。最终得到的结果以json格式的字典（在一个列表里面）返回。

需要注意的几点：

• 1.返回值是一个列表，里面有键值对。
• 2.键、值均为字符串才行。
• 3.返回字典的键值对里面不能有汉字。

  

  

---

 依赖文件打包方法

在编写handler文件的时候，难免会有一些其他依赖脚本需要一并使用。在启动torchserve服务之前，我们需要对这些文件进行打包（打包成mar文件包的形式）。

步骤：

1.将所有文件放到一个文件夹里面。

例如：我把通过yolov5的训练出来的两个模型（一个torchscript，一个tensorrt）分别编写对应的handler，并分别打包所有的依赖文件。

注：handler在命名的时候建议不要使用 handler.py 这个名字。我这里使用的是 myhandler.py (我记得有个报错和这个有关，，但是我记不太清了，，也可能不要紧，，为了以防万一还是自定义一个名字吧)

2.使用torch-model-archiver进行打包指定所有依赖所在的文件夹。

torch-model-archiver --model-name xxx --version 1.0 --model-file packets_ms/model.py --serialized-file xxx.pth --handler packets_ms/myhandler.py --extra-files packets_ms,index_to_name.json

---

其他问题

• 如果出现自己的模型一直没有被注册，或者注册出现重命名，或者是注册没成功，但是自己的操作并没有问题，请先把torchserve生成的logs日志文件夹删掉（里面保存了模型的注册信息），并重新注册模型到torchserve里面。
• 在部署tensorrt模型到torchserve的时候，要注意engine模型支持的tensorrt版本要和部署的服务器保持一致（建议直接在要部署的服务器进行tensorrt转换，防止出现tensorrt版本不兼容的问题）

欢迎一起交流、学习，如有博客问题，也欢迎大神指正！！！

QQ：1757093754