Suporte ao 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 o Metal no iOS.
O OpenGL ES 3.1 ou uma versão mais recente (em sistemas Android/Linux) é necessário para a execução gráficos e calculadoras de inferência de machine learning.
Desativar suporte ao OpenGL ES
Por padrão, o MediaPipe (sem flags especiais do Bazel) tenta compilar e vincular a bibliotecas OpenGL ES (e, para iOS, também Metal).
Em plataformas em que o OpenGL ES não está disponível (consulte também OpenGL ES Setup on Linux Desktop), precisa desativar o suporte ao OpenGL ES com:
$ bazel build --define MEDIAPIPE_DISABLE_GPU=1 <my-target>
Configuração do OpenGL ES em computadores Linux
Em computadores Linux com placas de vídeo compatíveis com OpenGL ES 3.1+, o MediaPipe pode executar Computação e renderização de GPU e inferência TFLite na GPU.
Para verificar se a GPU do computador Linux pode executar MediaPipe com 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, ela pode imprimir:
$ 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 via SSH e descobre que, quando procura Informações da GPU, você verá a saída:
glxinfo | grep -i opengl
Error: unable to open display
Tente restabelecer sua conexão SSH com a opção -X e tente de novo. Por
exemplo:
ssh -X <user>@<host>
Observe o texto do ES 3.20 acima.
Você precisa ver o ES 3.1 ou superior impresso para realizar a inferência do TFLite sobre a GPU no MediaPipe. Com esta configuração, crie com:
$ bazel build --copt -DMESA_EGL_NO_X11_HEADERS --copt -DEGL_NO_X11 <my-target>
Se somente o ES 3.0 ou versões anteriores forem compatíveis, você ainda poderá criar destinos MediaPipe que não exigem 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 exige CUDA para computação e renderização de GPU. No entanto, O MediaPipe pode trabalhar com o TensorFlow para realizar inferências de GPU em placas de vídeo que oferecem suporte ao CUDA.
Para ativar a inferência de GPU do TensorFlow com o MediaPipe, a primeira etapa é seguir as Documentação da GPU do TensorFlow para instalar o software necessário da NVIDIA na área de trabalho do Linux.
Após a instalação, atualize $PATH e $LD_LIBRARY_PATH e execute ldconfig
por:
$ 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 recomendável 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 está a biblioteca CUDA. Observação
que o snippet de código a seguir também adiciona /usr/lib/x86_64-linux-gnu e
/usr/include em $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 a
.bazelrc e
copie a seção build:using_cuda e build:cuda no arquivo .bazelrc do MediaPipe.
. Por exemplo, desde 23 de abril de 2020, a configuração CUDA do TensorFlow é o
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
Você pode monitorar o uso da GPU para verificar se ela é usada para o modelo a inferência.
$ nvidia-smi --query-gpu=utilization.gpu --format=csv --loop=1
0 %
0 %
4 %
5 %
83 %
21 %
22 %
27 %
29 %
100 %
0 %
0%