• 文档 >
  • TorchServe 默认推理处理器
快捷方式

TorchServe 默认推理处理器

TorchServe 提供以下开箱即用的推理处理器。预计每个处理器支持的模型都能够进行批量推理。

图像分类器

  • 描述:处理在 ImageNet 数据集上训练的图像分类模型。

  • 输入:RGB 图像

  • 输出:图像的前 5 个预测及其相应的概率的批次

有关更多详细信息,请参阅 示例

图像分割器

  • 描述:处理在 ImageNet 数据集上训练的图像分割模型。

  • 输入:RGB 图像

  • 输出:输出形状为 [N, CL H W],N - 批次大小,CL - 类别数,H - 高度和 W - 宽度。

有关更多详细信息,请参阅 示例

目标检测器

  • 描述:处理目标检测模型。

  • 输入:RGB 图像

  • 输出:检测到的类别和边界框列表的批次

注意:我们建议运行 torchvision>0.6,否则 object_detector 默认处理器将仅在默认 GPU 设备上运行

有关更多详细信息,请参阅 示例

文本分类器

  • 描述:处理在 AG_NEWS 数据集上训练的模型。

  • 输入:文本文件

  • 输出:输入文本的类别。(不支持批处理)

有关更多详细信息,请参阅 示例

有关可用处理器的更完整列表,请务必查看 示例页面

通用功能

index_to_name.json

image_classifiertext_classifierobject_detector 都可以自动将数字类别 (0,1,2…) 映射到友好的字符串。为此,只需在模型归档文件中包含一个文件 index_to_name.json,其中包含类别编号(作为字符串)到友好名称(也作为字符串)的映射。您可以在此处查看一些示例

贡献

我们欢迎新的贡献处理器,如果您的用例未被现有默认处理器之一涵盖,请按照以下步骤进行贡献

  1. 编写一个从 BaseHandler 派生的新类。将其作为单独的文件添加到 ts/torch_handler/

  2. 更新 model-archiver/model_packaging.py 以添加您的类名

  3. 运行并更新 单元测试 中的单元测试。与往常一样,请确保在提交之前运行 torchserve_sanity.py

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源