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).
• Большая часть Processing Block API.

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

Windows/Linux

• Общие требования:

  • Системные требования:

    Windows

    • Nvidia GPU Driver >= 441.22
    • Microsoft Visual C++ Redistributable for Visual Studio 2019

    Linux

    • Nvidia GPU Driver >= 440.33

  • Требования к оборудованию:

    • Графический процессор (GPU) с поддержкой CUDA (NVIDIA GTX 1050 Ti и выше)

• Для CUDA 11

  • Системные требования:

    Windows:

    • CUDA Toolkit 11.0 ≤ версии < 12
    • cuDNN v8.8.0 - v9.0.0 for CUDA 11.x

    Linux:

    • CUDA Toolkit 11.0 ≤ версии < 12
    • cuDNN v8.8.0 for CUDA 11.x

  • Требования к оборудованию:

    • Графический процессор (GPU) с поддержкой CUDA (от NVIDIA GTX 1050 Ti до RTX 3090 включительно)

• Для CUDA 10

  • Системные требования:

    Windows:

    • CUDA Toolkit 10.1
    • cuDNN v7.6.5 for CUDA 10.1

    Linux:

    • CUDA Toolkit 10.1
    • cuDNN v7.6.5 for CUDA 10.1

  • Требования к оборудованию:

    • Графический процессор (GPU) с поддержкой CUDA (NVIDIA GTX 1050 Ti и выше, но ниже 30xx серий)

  • Другие:

    • Отредактируйте файл конфигурации объекта, добавив поле use_legacy со значением 1.
    • Для API процессинг-блоков добавте ключ "use_legacy" со значением true для Context-контейнера блока обработчика

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. раздел Распознавание лиц)
• Детектор blf (см. раздел 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.