Compatibilidade com OpenGL ES
O MediaPipe oferece suporte ao OpenGL ES até a versão 3.2 no Android/Linux e até o ES 3.0 no iOS. Além disso, o MediaPipe também é compatível com Metal no iOS.
O OpenGL ES 3.1 ou versão mais recente é necessário (em sistemas Android/Linux) para executar calculadoras e gráficos de inferência de aprendizado de máquina.
Desativar suporte ao OpenGL ES
Por padrão, a criação do MediaPipe (sem flags bazel especiais) tenta compilar e vincular a bibliotecas OpenGL ES (e, no iOS, também Metal).
Em plataformas em que o OpenGL ES não está disponível (consulte também Configuração do OpenGL ES no Linux Desktop), desative o suporte a OpenGL ES com:
$ bazel build --define MEDIAPIPE_DISABLE_GPU=1 <my-target>
Configuração do OpenGL ES no computador Linux
Em computadores Linux com placas de vídeo compatíveis com o OpenGL ES 3.1 ou mais recente, o MediaPipe pode executar a computação e a renderização de GPU e realizar a inferência do TFLite na GPU.
Para verificar se a GPU para computador Linux pode executar o MediaPipe com o OpenGL ES:
$ sudo apt-get install mesa-common-dev libegl1-mesa-dev libgles2-mesa-dev
$ sudo apt-get install mesa-utils
$ glxinfo | grep -i opengl
Por exemplo, ele pode mostrar:
$ glxinfo | grep -i opengl
...
OpenGL ES profile version string: OpenGL ES 3.2 NVIDIA 430.50
OpenGL ES profile shading language version string: OpenGL ES GLSL ES 3.20
OpenGL ES profile extensions:
Se você se conectou ao computador por SSH e descobre que as informações da GPU são verificadas, a saída será exibida:
glxinfo | grep -i opengl
Error: unable to open display
Tente restabelecer sua conexão SSH com a opção -X
e tente novamente. Exemplo:
ssh -X <user>@<host>
Observe o texto do ES 3.20 acima.
É necessário ver o ES 3.1 ou uma versão mais recente impressa para realizar a inferência do TFLite na GPU no MediaPipe. Com essa configuração, crie usando:
$ bazel build --copt -DMESA_EGL_NO_X11_HEADERS --copt -DEGL_NO_X11 <my-target>
Se apenas o ES 3.0 ou anterior for compatível, ainda será possível criar destinos do MediaPipe que não exijam inferência do TFLite na GPU com:
$ bazel build --copt -DMESA_EGL_NO_X11_HEADERS --copt -DEGL_NO_X11 --copt -DMEDIAPIPE_DISABLE_GL_COMPUTE <my-target>
Suporte e configuração do TensorFlow CUDA em computadores Linux
O framework MediaPipe não requer CUDA para computação e renderização de GPU. No entanto, o MediaPipe pode trabalhar com o TensorFlow para realizar inferência de GPU em placas de vídeo compatíveis com CUDA.
Para ativar a inferência de GPU do TensorFlow com o MediaPipe, a primeira etapa é seguir a documentação da GPU do TensorFlow para instalar o software NVIDIA necessário na área de trabalho Linux.
Após a instalação, atualize $PATH
e $LD_LIBRARY_PATH
e execute ldconfig
com:
$ export PATH=/usr/local/cuda-10.1/bin${PATH:+:${PATH}}
$ export LD_LIBRARY_PATH=/usr/local/cuda/extras/CUPTI/lib64,/usr/local/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
$ sudo ldconfig
É recomendado verificar a instalação da CUPTI, CUDA, CuDNN e NVCC:
$ ls /usr/local/cuda/extras/CUPTI
/lib64
libcupti.so libcupti.so.10.1.208 libnvperf_host.so libnvperf_target.so
libcupti.so.10.1 libcupti_static.a libnvperf_host_static.a
$ ls /usr/local/cuda-10.1
LICENSE bin extras lib64 libnvvp nvml samples src tools
README doc include libnsight nsightee_plugins nvvm share targets version.txt
$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Sun_Jul_28_19:07:16_PDT_2019
Cuda compilation tools, release 10.1, V10.1.243
$ ls /usr/lib/x86_64-linux-gnu/ | grep libcudnn.so
libcudnn.so
libcudnn.so.7
libcudnn.so.7.6.4
Definir $TF_CUDA_PATHS
é a maneira de declarar onde a biblioteca CUDA está. O snippet de código a seguir também adiciona /usr/lib/x86_64-linux-gnu
e /usr/include
a $TF_CUDA_PATHS
para cudablas e libcudnn.
$ export TF_CUDA_PATHS=/usr/local/cuda-10.1,/usr/lib/x86_64-linux-gnu,/usr/include
Para fazer o MediaPipe receber as configurações CUDA do TensorFlow, encontre o
.bazelrc do TensorFlow e
copie as seções build:using_cuda
e build:cuda
para o arquivo .bazelrc
do MediaPipe. Por exemplo, desde 23 de abril de 2020, a configuração CUDA do TensorFlow é a
seguinte:
# This config refers to building with CUDA available. It does not necessarily
# mean that we build CUDA op kernels.
build:using_cuda --define=using_cuda=true
build:using_cuda --action_env TF_NEED_CUDA=1
build:using_cuda --crosstool_top=@local_config_cuda//crosstool:toolchain
# This config refers to building CUDA op kernels with nvcc.
build:cuda --config=using_cuda
build:cuda --define=using_cuda_nvcc=true
Por fim, crie o MediaPipe com a GPU do TensorFlow com mais duas sinalizações, --config=cuda
e --spawn_strategy=local
. Exemplo:
$ bazel build -c opt --config=cuda --spawn_strategy=local \
--define no_aws_support=true --copt -DMESA_EGL_NO_X11_HEADERS \
mediapipe/examples/desktop/object_detection:object_detection_tensorflow
Enquanto o binário está em execução, ele imprime as informações do dispositivo da GPU:
I external/org_tensorflow/tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcuda.so.1
I external/org_tensorflow/tensorflow/core/common_runtime/gpu/gpu_device.cc:1544] Found device 0 with properties: pciBusID: 0000:00:04.0 name: Tesla T4 computeCapability: 7.5 coreClock: 1.59GHz coreCount: 40 deviceMemorySize: 14.75GiB deviceMemoryBandwidth: 298.08GiB/s
I external/org_tensorflow/tensorflow/core/common_runtime/gpu/gpu_device.cc:1686] Adding visible gpu devices: 0
É possível monitorar o uso da GPU para verificar se ela é usada para inferência de modelo.
$ nvidia-smi --query-gpu=utilization.gpu --format=csv --loop=1
0 %
0 %
4 %
5 %
83 %
21 %
22 %
27 %
29 %
100 %
0 %
0%