triton_inference_server

NVIDIA Triton Inference Server centraliza el serving de todos los modelos ML del pipeline con optimización GPU, dynamic batching y múltiples frameworks soportados simultáneamente.

When to use

Usar para servir en producción todos los modelos ML: MiniFASNet, ArcFace, YOLOv8, PaddleOCR, FaceForensics classifier.

Instructions

1. Lanzar con Docker: docker run --gpus all -p 8000:8000 -p 8001:8001 -p 8002:8002 -v /models:/models nvcr.io/nvidia/tritonserver:23.10-py3.
2. Estructurar repositorio de modelos: models/{model_name}/{version}/model.onnx + config.pbtxt.
3. Configurar config.pbtxt para cada modelo: input/output shapes, instance groups (GPU/CPU), dynamic batching.
4. Exportar modelos a ONNX antes de desplegar: torch.onnx.export(...).
5. Aplicar TensorRT optimization donde sea posible (ver skill tensorrt).
6. Usar el cliente gRPC para inferencia: pip install tritonclient[grpc].
7. Health check: GET http://triton:8000/v2/health/ready.

Notes

• Documentación: https://docs.nvidia.com/deeplearning/triton-inference-server/user-guide/
• Para entornos sin GPU NVIDIA: usar TorchServe como alternativa.
• Monitorizar GPU utilization con Prometheus GPU exporter.