ModelBox是一个适用于端边云场景的AI推理应用开发框架,提供了基于Pipeline的并行执行流程,能帮助AI应用开发者较快的开发出高效,高性能,以及支持软硬协同优化的AI应用。详细介绍
易于开发
AI推理业务可视化编排开发,功能模块化,丰富组件库;c++,python, Java多语言支持。
易于集成
集成云上对接的组件,云上对接更容易。
高性能,高可靠
pipeline并发运行,数据计算智能调度,资源管理调度精细化,业务运行更高效。
软硬件异构
CPU,GPU,NPU多异构硬件支持,资源利用更便捷高效。
全场景
视频,语音,文本,NLP全场景,专为服务化定制,云上集成更容易,端边云数据无缝交换。
易于维护
服务运行状态可视化,应用,组件性能实时监控,优化更容易。
目前AI应用开发时,训练完成模型后,需要将多个模型和应用逻辑串联在一起组成AI应用,并上线发布成为服务或应用。在整个过程中,需要面临复杂的应用编程问题:
问题 | 问题说明 |
---|---|
需要开发AI应用的周边功能 | 比如AI应用编译工程,应用初始化,配置管理接口,日志管理口,应用故障监控等功能。 |
需要开发AI常见的前后处理 | 音视频加解码,图像转换处理,推理前处理,后处理YOLO等开发。 |
需要开发和云服务对接的周边功能 | 比如HTTP服务开发,云存储,大数据服务,视频采集服务对接开发。 |
需要开发出高性能的推理应用 | 需要基于多线程,内存池化,显存池化,多GPU加速卡,模型batch批处理,调用硬件卡的API等手段开发应用。 |
需要开发验证docker镜像 | 需要开发docker镜像,集成必要的ffmpeg,opencv软件,CUDA, MindSpore,TensorFlow等软件,并做集成测试验证。 |
多种AI业务,需要共享代码,降低维护工作 | 需要复用不同组件的代码,包括AI前后处理代码,AI应用管理代码,底层内存,线程管理代码等。 |
模型开发者,验证模型功能比较复杂 | 模型开发者完成模型训练后,需要编写python代码验证,之后,再转成生产代码;在高性能,高可靠场景改造工作量大。 |
ModelBox的目标是解决AI开发者在开发AI应用时的编程复杂度,降低AI应用的开发难度,将复杂的数据处理,并发互斥,多设备协同,组件复用,数据通信,交由ModelBox处理。开发者主要聚焦业务逻辑本身,而不是软件细节。 在提高AI推理开发的效率同时,保证软件的性能,可靠性,安全性等属性。
ModelBox支持两种方式运行,一种是服务化,一种是SDK,开发者可以按照下表选择相关的开发模式。
开发模式 | 开发模式适用场景 |
---|---|
服务化 | ModelBox为独立的服务,适合云服务,端侧服务的AI推理开发场景,包括了后台服务,运维工具,docker镜像等服务化组件 |
SDK | ModelBox提供了ModelBox开发库,使用于扩展现有应用支持高性能AI推理,专注AI推理业务,支持c++,Python集成 |
在开发AI推理应用时,可以按照第一个应用的流程开发AI应用。