iinfer 0.3.0

iinfer: Perform inference using an image AI model in onnx format.

iinfer (Visual Prediction Application)

onnx又はmmlabフォーマットの重みファイルを実行するCLIアプリケーションです。 DockerコンテナのRedisサーバーを使用します。 Windowsの場合はWSL2上のLinuxの中にDockerがインストールされている必要があります。 Linuxの場合はホスト内にDockerがインストールされている必要があります。

サポートしているAIタスクは以下のとおりです。

• Image Classification
• Object Detection

動作確認OS

• Windows 10 Pro
• Windows 11 Pro
• Ubuntu20_04

インストール方法

pip install iinfer
# タブ保管を有効化したい場合（Ubuntuのみ）
eval "$(register-python-argcomplete iinfer)"

iinferの実行方法

# Redisサーバーコンテナの起動（Windowsの場合）
iinfer -p <任意のPW> -m redis -c docker_run --wsl_name <WSLのディストリビューションの名前> --wsl_user <WSLのLinux内のDockerが使えるユーザー>

# Redisサーバーコンテナの起動（Linuxの場合）
iinfer -p <任意のPW> -m redis -c docker_run

# 推論処理を実行するサーバープロセスの起動
iinfer -p <PW> -m server -f

# 画像AIモデルのデプロイ
iinfer -p <PW> -m client -c deploy -n <任意のモデル名> --model_img_width <モデルのINPUTサイズ(横幅)> --model_img_width <モデルのINPUTサイズ(縦幅)> --model_onnx <モデルファイル> --predict_type <推論タイプ(後述)> --custom_predict_py <カスタム推論ファイル(後述)> -f
# predict_typeはモデルのAIタスクやアルゴリズムに合わせて指定する。指定可能なキーワードはヘルプ参照。

# デプロイされている画像AIモデルの一覧
iinfer -p <PW> -m client -c deploy_list -f

# 画像AIモデルを起動させて推論可能な状態に(セッションを確保)する
iinfer -p <PW> -m client -c start -n <モデル名> --model_provider <推論プロバイダー名(後述)> --use_track -f
# model_providerは推論で使用する実行環境を指定する。指定可能なキーワードはヘルプ参照。
# use_trackを指定するとObjectDetectionタスクの結果に対して、MOT（Multi Object Tracking）を実行しトラッキングIDを出力する。

# 推論を実行する
iinfer -p <PW> -m client -c predict -n <モデル名> -i <推論させる画像ファイル> -o <推論結果の画像ファイル> --output_preview -f
# output_previewを指定するとimshowで推論結果画像を表示する（GUI必要）

# 画像AIモデルを停止させてセッションを開放
iinfer -p <PW> -m client -c start -n <モデル名> -f

# 画像AIモデルのアンデプロイ
iinfer -p <PW> -m client -c undeploy -n <モデル名> -f

よくあるエラー

Operation	Message	Cause	How to
iinfer -m install -c mmdet	shutil.Error ...	現在のディレクトリにmmdetectionが既に存在したり、データディレクトリ「~/.iinfer/」にmmdetectionが存在する	mmdetectionのディレクトリを削除
iinfer -m install -c mmpretrain	shutil.Error ...	現在のディレクトリにmmpretrainが既に存在したり、データディレクトリ「~/.iinfer/」にmmpretrainが存在する	mmpretrainのディレクトリを削除
iinfer -m install -c <mm系>	Failed to uninstall mmcv	mmdet又はmmpretrainのモデルが起動中	iinfer -m server -p で起動したサーバープロセスを停止
iinfer -m client -c start -p -n <model_name>	Failed to create session: No module named 'mmdet'	mmdetがインストールされていません	iinfer -m install -c mmdet
iinfer -m client -c start -p -n <model_name>	Failed to create session: No module named 'mmpretrain'	mmpretrainがインストールされていません	iinfer -m install -c mmpretrain

コマンドラインオプション（共通）

Option	Required	Description
-h	-	ヘルプ表示
-u,--useopt <オプション保存するファイル>	-sを指定している場合〇	オプションを保存しているファイルを使用する
-s,--saveopt	-	指定しているオプションを-uで指定したファイルに保存する
-f,--format	-	処理結果を見やすい形式で出力する。指定しない場合json形式で出力する。

コマンドラインオプション（初期設定） : iinfer -m install -c <Command> <Option>

iinferをインストールした直後にはAIフレームワークのインストールがされていない状態です。 通常推論サーバー側にしかAIフレームワークが必要ないため、任意でインストールできるようにしました。

Command	Option	Required	Description
onnx	-	-	onnxruntimeをインストールする
mmdet	-	-	mmdetectionをインストールする
redis	-	-	redis-serverのdockerイメージをPULLする
^	--wsl_name <ディストリビューション名>	Windowsの場合は〇	Windowsの場合はWSLのディストリビューションの名前を指定する
^	--wsl_user <user名>	Windowsの場合は〇	Windowsの場合はWSL内のユーザー名を指定する
server	-	-	推論サーバーのdockerイメージをbuildする このコマンドで作成されるdockerイメージには、上記onnxruntimeとmmdetectionが含まれる buildが成功するとdocker-compose.ymlファイルが生成される windows環境は未サポートなので、普通にiinfer -m serverを使ってください

Redisサーバー起動 : iinfer -m redis -c docker_run <Option>

Option	Required	Description
--port <ポート番号>	-	Redisサーバーのサービスポート(任意)を指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワード(任意)を指定する
--wsl_name <ディストリビューション名>	Windowsの場合は〇	Windowsの場合はWSLのディストリビューションの名前を指定する
--wsl_user <user名>	Windowsの場合は〇	Windowsの場合はWSL内のユーザー名を指定する

Redisサーバー停止 : iinfer -m redis -c docker_stop <Option>

Option	Required	Description
--wsl_name <ディストリビューション名>	Windowsの場合は〇	Windowsの場合はWSLのディストリビューションの名前を指定する
--wsl_user <user名>	Windowsの場合は〇	Windowsの場合はWSL内のユーザー名を指定する

推論サーバー起動 : iinfer -m server <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する

クライアント(AIモデルの配備) : iinfer -m client -c deploy <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
-n,--name <登録名>	〇	AIモデルの登録名(任意)を指定する
--model_file <モデルファイル>	〇	学習済みのモデルファイルを指定する
--model_conf_file <モデル設定ファイル>	-	mmlabの場合はモデル設定ファイルを指定する
--model_img_width <モデルのINPUTサイズ(横px)>	-	AIモデルのINPUTサイズ(横px)を指定する
--model_img_height <モデルのINPUTサイズ(縦px)>	-	AIモデルのINPUTサイズ(縦px)を指定する
--predict_type <推論タイプ>	〇	AIモデルの推論タイプを指定する。指定可能なタイプは-c predict_type_list参照
--custom_predict_py <カスタム推論pyファイル>	-	独自の推論タイプを作成するときに指定。この時は--predict_type Customを指定
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

クライアント(AIモデルの配備一覧) : iinfer -m client -c deploy_list <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

クライアント(AIモデルの配備解除) : iinfer -m client -c undeploy <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
-n,--name <登録名>	〇	AIモデルの登録名を指定する
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

クライアント(AIモデルの起動) : iinfer -m client -c start <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
-n,--name <登録名>	〇	AIモデルの登録名を指定する
--model_provider <モデルプロバイダー>	-	ONNX形式のモデルファイルの場合に指定可能。指定可能なプロバイダーは-h参照
--use_track	-	ObjectDetectionタスクの場合に指定可能。motpyを使ってトラッキングID付与を行う
--gpuid <GPUのid>	-	GPUのディバイスIDを指定する。--model_providerでGPUを使用するプロバイダーを指定した時に使用可能
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

クライアント(推論タイプ一覧) : iinfer -m client -c predict_type_list <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する

クライアント(AIモデルの停止) : iinfer -m client -c stop <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
-n,--name <登録名>	〇	AIモデルの登録名を指定する
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

クライアント(推論の実行) : iinfer -m client -c predict <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
-n,--name <登録名>	〇	AIモデルの登録名を指定する
-i,--image_file <推論対象の画像ファイル>	-	推論させる画像をファイルで指定する
--image_stdin	-	推論させる画像を標準入力から読み込む
--image_type <推論対象の画像タイプ>	-	推論させる画像のタイプを指定する。指定可能な画像タイプは-h参照
-o,--output_image_file <推論結果画像の保存先ファイル>	-	推論結果画像の保存先ファイルを指定する
--output_preview	-	推論結果画像をcv2.imshowで表示する
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

クライアント(キャプチャーによる推論の実行) : iinfer -m client -c capture <Option>

Option	Required	Description
--host <IPアドレス又はホスト名>	-	Redisサーバーのサービスホストを指定する
--port <ポート番号>	-	Redisサーバーのサービスポートを指定する
-p,--password <パスワード>	〇	Redisサーバーのアクセスパスワードを指定する
-n,--name <登録名>	〇	AIモデルの登録名を指定する
-o,--output_image_file <推論結果画像の保存先ファイル>	-	推論結果画像の保存先ファイルを指定する
--capture_device <ディバイス>	-	キャプチャーディバイスを指定する。cv2.VideoCaptureの第一引数に渡される値。
--capture_output_type <画像の出力方法>	-	キャプチャーした画像の出力方法。現在使用していない。
--capture_frame_width <キャプチャーサイズ(横px)>	-	キャプチャーする画像の横px。cv2.VideoCaptureオブジェクトのcv2.CAP_PROP_FRAME_WIDTHオプションに指定する値。
--capture_frame_height <キャプチャーサイズ(縦px)>	-	キャプチャーする画像の縦px。cv2.VideoCaptureオブジェクトのcv2.CAP_PROP_FRAME_HEIGHTオプションに指定する値。
--capture_fps <キャプチャーFPS>	-	キャプチャーする画像のFPS。cv2.VideoCaptureオブジェクトのcv2.CAP_PROP_FPSオプションに指定する値。
--capture_output_fps <推論結果のFPS>	-	推論結果のFPS。AIの推論速度が指定した値より高速な場合に残り時間分をsleepする
--output_preview	-	推論結果画像をcv2.imshowで表示する
--timeout <タイムアウト>	-	サーバーの応答が返ってくるまでの最大待ち時間

カスタム推論モジュールについて

AIモデルの配備iinfer -m client -c deploy <Option>コマンドで--predict_type Custom且つ--custom_predict_py <カスタム推論pyファイル>オプションを指定すると、カスタムモデルを配備できます。 カスタム推論pyファイルはiinfer.app.common.Predoctクラスを継承させたクラスを作成してください。 iinfer.app.common.Predoctクラスの定義は下記の通りで、継承したクラスはcreate_sessionとpredictメソッドを定義してください。

from pathlib import Path
from PIL import Image
from typing import List, Tuple

class Predoct(object):
    def create_session(self, model_path:Path, model_conf_path:Path, model_provider:str, gpu_id:int=None):
        """
        推論セッションを作成する関数です。
        startコマンド実行時に呼び出されます。
        この関数内でAIモデルのロードが行われ、推論準備を完了するようにしてください。
        戻り値の推論セッションの型は問いません。

        Args:
            model_path (Path): モデルファイルのパス
            model_conf_path (Path): モデル設定ファイルのパス
            gpu_id (int, optional): GPU ID. Defaults to None.

        Returns:
            推論セッション
        """
        raise NotImplementedError()

    def predict(self, session, img_width:int, img_height:int, image:Image, labels:List[str]=None, colors:List[Tuple[int]]=None):
        """
        予測を行う関数です。
        predictコマンドやcaptureコマンド実行時に呼び出されます。
        引数のimageはRGBですので、戻り値の出力画像もRGBにしてください。
        戻り値の推論結果のdictは、通常推論結果項目ごとに値(list)を設定します。
        例）Image Classification（EfficientNet_Lite4）の場合
        return dict(output_scores=output_scores, output_classes=output_classes), image_obj
        例）Object Detection（YoloX）の場合
        return dict(output_boxes=final_boxes, output_scores=final_scores, output_classes=final_cls_inds), output_image

        Args:
            session: 推論セッション
            img_width (int): モデルのINPUTサイズ（画像の幅）
            img_height (int): モデルのINPUTサイズ（画像の高さ）
            image (Image): 入力画像（RGB配列であること）
            labels (List[str], optional): クラスラベルのリスト. Defaults to None.
            colors (List[Tuple[int]], optional): ボックスの色のリスト. Defaults to None.

        Returns:
            Tuple[Dict[str, Any], Image]: 予測結果と出力画像(RGB)のタプル
        """
        raise NotImplementedError()

iinferコマンドについて

python -m iinferの省略形です。 実体はscriptsディレクトリ内にあります。

データの保存場所

pathlib.Path(HOME_DIR) / '.iinfer'

動作確認したモデル

AI Task	base	Model	FrameWork	input	predict_type	Memo
Object Detection	YOLOX	mmdetection	416x416	YOLOX-tiny	mmdet_det_YoloX_Lite	-
Object Detection	YOLOX	mmdetection	640x640	YOLOX-s	mmdet_det_YoloX	-
Object Detection	YOLOX	mmdetection	640x640	YOLOX-l	mmdet_det_YoloX	-
Object Detection	YOLOX	mmdetection	640x640	YOLOX-x	mmdet_det_YoloX	-
Object Detection	YOLOX	onnx	416x416	YOLOX-Nano	onnx_det_YoloX_Lite	*1
Object Detection	YOLOX	onnx	416x416	YOLOX-Tiny	onnx_det_YoloX_Lite	*1
Object Detection	YOLOX	onnx	640x640	YOLOX-s	onnx_det_YoloX	*1
Object Detection	YOLOX	onnx	640x640	YOLOX-m	onnx_det_YoloX	*1
Object Detection	YOLOX	onnx	640x640	YOLOX-l	onnx_det_YoloX	*1
Object Detection	YOLOX	onnx	640x640	YOLOX-x	onnx_det_YoloX	*1
Object Detection	YOLOv3	onnx	416x416	YOLOv3-10	onnx_det_YoloV3	-
Object Detection	YOLOv3	onnx	416x416	YOLOv3-12	onnx_det_YoloV3	-
Object Detection	YOLOv3	onnx	416x416	YOLOv3-12-int8	onnx_det_YoloV3	-
Object Detection	TinyYOLOv3	onnx	416x416	TinyYOLOv3	onnx_det_TinyYoloV3	-
Image Classification	Swin Transformer	mmpretrain	224x224	swin-tiny_16xb64_in1k	mmpretrain_cls_swin_Lite	-
Image Classification	Swin Transformer	mmpretrain	224x224	swin-small_16xb64_in1k	mmpretrain_cls_swin_Lite	-
Image Classification	Swin Transformer	mmpretrain	384x384	swin-base_16xb64_in1k-384px	mmpretrain_cls_swin	-
Image Classification	Swin Transformer	mmpretrain	384x384	swin-large_16xb64_in1k-384px	mmpretrain_cls_swin	-
Image Classification	EfficientNet-Lite4	onnx	224x224	EfficientNet-Lite4-11	onnx_cls_EfficientNet_Lite4	-
Image Classification	EfficientNet-Lite4	onnx	224x224	EfficientNet-Lite4-11-int8	onnx_cls_EfficientNet_Lite4	-
Image Classification	EfficientNet-Lite4	onnx	224x224	EfficientNet-Lite4-11-qdq	onnx_cls_EfficientNet_Lite4	-

*1）pth2onnxを使用してONNX形式に変換して使用

開発環境構築

git clone https://github.com/hamacom2004jp/iinfer.git
cd iinfer
python -m venv .venv
.venv\Scripts\activate
python.exe -m pip install --upgrade pip
pip install -r requirements.txt
deactivate

WSL2上にredis-serverのdocker導入

# Ubuntuイメージインストール（cmdプロンプトで実行：ubuntuユーザーを作成する）
wsl --install -d Ubuntu-20.04

# Ubuntu初期設定（bash上で実行）
cd /etc/apt
sudo sed -i.bak -e "s/http:\/\/archive\.ubuntu\.com/http:\/\/jp\.archive\.ubuntu\.com/g" sources.list
sudo apt update
sudo apt install -y language-pack-ja manpages-ja manpages-ja-dev
sudo update-locale LANG=ja_JP.UTF-8

# Dockerインストール（bash上で実行）
sudo apt install -y apt-transport-https ca-certificates curl software-properties-common
cd ~/
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu focal stable"
sudo apt update
apt-cache policy docker-ce
sudo apt install -y docker-ce docker-compose
sudo usermod -aG docker ubuntu
exit

# Ubuntuイメージ再起動（cmdプロンプトで実行）
wsl --shutdown
wsl --export Ubuntu-20.04 Ubuntu_wsl2_docker-20.04.tar
wsl --unregister Ubuntu-20.04
mkdir Ubuntu_docker-20.04
wsl --import Ubuntu_docker-20.04 Ubuntu_docker-20.04 Ubuntu_wsl2_docker-20.04.tar --version 2
wsl -u ubuntu -d Ubuntu_docker-20.04

# redis-server起動
docker run -d --name redis-container --rm -e TZ=UTC -p 6379:6379 -e REDIS_PASSWORD=<password> ubuntu/redis:latest

pyplにアップするための準備

python setup.py sdist
python setup.py bdist_wheel

• pyplのユーザー登録【本番】 https://pypi.org/account/register/

• pyplのユーザー登録【テスト】 https://test.pypi.org/account/register/

• それぞれ2要素認証とAPIトークンを登録

• ホームディレクトリに.pypircを作成

[distutils]
index-servers =
  pypi
  testpypi

[pypi]
repository: https://upload.pypi.org/legacy/
username: __token__
password: 本番環境のAPIトークン

[testpypi]
repository: https://test.pypi.org/legacy/
username: __token__
password: テスト環境のAPIトークン

• テスト環境にアップロード .pyplrcを作っていない場合はコマンド実行時にusernameとpasswordを要求される 成功するとURLが返ってくる。

twine upload --repository testpypi dist/*

• pipコマンドのテスト

pip install -i https://test.pypi.org/simple/ iinfer

• 本番環境にアップロード

twine upload --repository pypi dist/*

Lisence

This project is licensed under the MIT License, see the LICENSE.txt file for details