cuda_streams

CUDA Streams permiten ejecutar múltiples operaciones GPU en paralelo (inferencia de modelos distintos, copia de datos y cómputo simultáneo), maximizando la utilización del hardware GPU.

When to use

Usar en el worker_pool_agent para ejecutar inferencias de múltiples modelos en paralelo en la misma GPU: face_match + liveness + deepfake detection simultáneamente.

Instructions

1. Crear streams por modelo:

   stream_liveness = torch.cuda.Stream()
   stream_facematch = torch.cuda.Stream()
   

2. Ejecutar inferencias en paralelo:

   with torch.cuda.stream(stream_liveness):
       liveness_result = liveness_model(frame)
   with torch.cuda.stream(stream_facematch):
       facematch_result = facematch_model(face_crop)
   

3. Sincronizar streams: torch.cuda.synchronize().
4. Usar torch.cuda.Event para timing preciso de cada modelo.
5. Monitorizar VRAM: torch.cuda.memory_allocated().
6. Limitar número de streams activos según VRAM disponible.

Notes

• Los streams solo paralelizzan si hay recursos GPU suficientes; en GPU pequeñas pueden serializar.
• No usar más de 4-8 streams simultáneos; más allá el overhead supera el beneficio.
• Triton Inference Server gestiona streams automáticamente; preferir Triton si está disponible.