Использование GPU

Распознавание лиц требует использования значительных вычислительных ресурсов, поэтому мы добавили возможность ускорения модулей Face SDK с использованием GPU для выполнения алгоритмов глубокого обучения.

На данный момент GPU может быть использован для ускорения на следующих платформах:

• Windows x86 64-bit
• Linux x86 64-bit
• Android
• NVIDIA Jetson (JetPack 4.3/4.4)

В данном разделе вы узнаете:

• для каких модулей Face SDK доступно ускорение;
• как включить ускорение;
• результаты тестирования работы модулей с использованием CPU и GPU;
• возможные ошибки при использовании GPU и пути решения.

Desktop

На данный момент ускорение с использованием GPU доступно для следующих модулей Face SDK (доступно использование только одного GPU):

• Методы (11v1000, 10v30, 10v100, 10v1000, 9v30, 9v300, 9v1000, 9v30mask, 9v300mask, 9v1000mask) (см. Распознавание лиц)
• Детекторы (BLF, REFA, ULD) (см. Детекция лиц)

Для запуска моделей на GPU отредактируйте файл конфигурации объекта Recognizer, изменив значение поля use_cuda с 0 на 1.

Windows/Linux

• Системные требования:
  • Для Windows
    • Nvidia GPU Driver >= 441.22
    • Microsoft Visual C++ Redistributable for Visual Studio 2019
    • CUDA Toolkit 10.2
    • cuDNN 7.6.5
  • Для Linux
    • Nvidia GPU Driver >= 440.33
    • CUDA Toolkit 10.2
    • cuDNN 7.6.5
• Требования к оборудованию:
  • Графический процессор (GPU) с поддержкой CUDA (NVIDIA GTX 1050 Ti и выше)

Также, реализована возможность применять предсобранные docker-контейнеры с поддержкой CUDA, например, nvidia/cuda:10.0-cudnn7-devel-ubuntu16.04 (некоторые виды лицензий при этом могут быть недоступны).

Ускорение происходит за счет одного из доступных GPU (по умолчанию – на GPU с индексом 0). Индекс GPU можно изменить следующим образом:

• через параметр gpu_index в файле конфигурации объекта Recognizer
• через переменную окружения CUDA_VISIBLE_DEVICES (Более подробно о переменных окружения CUDA смотрите по ссылке)

NVIDIA Jetson

• Системные требования:
  • JetPack 4.3 или 4.4*

* Тестирование производилось на модулях Jetson TX2 и Jetson NX.

Компонент jetson_jetpack_4.3_4.4 можно выбрать в инсталлере Face SDK. По умолчанию в нем используется сборка для jetpack 4.4. Если вам требуется сборка для jetpack 4.3, переместите все файлы из директории lib/jetpack-4.3 в директорию lib.

Результаты тестирования

В таблице ниже представлены замеры скорости построения шаблона с использованием CPU и GPU:

Method	GPU	CPU
12v1000	47 мс	442 мс
9v300	10 мс	292 мс
12v100	8 мс	49 мс
12v50	6 мс	21 мс
12v30	5 мс	12 мс

Примечание: при проведении замеров скорости использовалась видеокарта NVIDIA GTX 1070 и процессор Intel Core i5-9400 4.0GHz

Устранение ошибок

Ошибка	Решение
Assertion failed (Cannot open shared object file libtensorflow.so.2)	Убедитесь, что файл библиотеки libtensorflow.so.2 находится в одной директории с используемой библиотекой libfacerec.so
Assertion failed (Cannot open shared object file tensorflow.dll)	Убедитесь, что файл библиотеки tensorflow.dll находится в одной директории с используемой библиотекой facerec.dll
Медленная инициализация	Увеличьте размер JIT кэша: export CUDA_CACHE_MAXSIZE=2147483647 (подробнее - JIT Caching )

Android

На данный момент ускорение с использованием GPU на Android доступно для следующих модулей Face SDK:

• Методы (9v30, 9v300, 9v1000, 9v30mask, 9v300mask, 9v1000mask) (см. Распознавание лиц)
• Детектор blf (см. Детекция лиц)

Использование GPU можно включить/отключить через флаг use_mobile_gpu в файлах конфигурации объектов Capturer, Recognizer,VideoWorker (в файле конфигурации объекта VideoWorker использование GPU активируется для детекторов). По умолчанию поддержка мобильных GPU включена (значение 1). Чтобы отключить использование GPU, измените значение флага use_mobile_gpu на 0.

Результаты тестирования

В таблице ниже представлены замеры скорости построения шаблона с использованием CPU и GPU:

Метод	CPU	GPU
9v1000	3660 мс	610 мс
9v300	1960 мс	280 мс
9v30	170 мс	70 мс

Примечание: при проведении замеров скорости использовалось устройство Google Pixel 3.