Intel Developer Cloud 之 Telemetry 数据分析 (二) | 开发者实战

2023-07-14 16:08 作者:oneAPI技术汇 0人读过 | 我要投稿

Telemetry 介绍

在上一篇文章中介绍了 Intel® Developer Cloud Telemetry 的概念和功能，通过该功能的数据分析，可以更好地优化产品方案。有关 Telemetry 的工作原理和集成方法，我将在这篇文章里细细解释。耐心看下去，相信您肯定可以在自己应用中开启这个功能。

Telemetry 收集流程

概括来说，对自定义 AI 模型上运行模型优化，由 OpenVINO™ 工具套件进行推理，完成对 AI 模型的推理后，您就可以获得计算节点上可用的遥测指标。具体步骤如下：

1、导入所有自定义模型文件（tensorflow、kaldi、onnx 等）

2、使用模型优化器以必要的精度创建模型中间表示（IR）文件

3、创建用于在计算节点上提交运行推理的作业文件（.sh）

4、使用 Application Metrics Writer 启用遥测

5、为不同的计算节点提交作业并监控作业状态直到完成（提交作业会调用 bash 和自定义 python 文件）

6、在遥测仪表板上显示模型指标

注意：流程里不止包含 Telemetry 。而是 AI 应用在 DevCloud 上运行的流程，以便您可以了解 Telemetry 功能在应用里的位置。

参考：

https://www.embedded.com/enabling-telemetry-for-custom-models-in-intel-devcloud-for-the-edge/

Telemetry 集成

这次依然选择 object-detection-python 实例来介绍集成方法，应用程序的 python 代码中调用了 applicationMetricWriter 模块向 Telemetry 传递数据指标如，帧率、推理时间、模型名称、推理硬件信息，下面通过具体代码来展示详细信息。

Step.1

登录 Jupyter Lab

Reference-samples/iot-devcloud/openvino-dev-latest/developer-samples/python/

然后找到 object-detection-python 应用。

Step.2

程序源码分析

直接打开 object_detection.py ，可以看到在文件开头部分导入了 applicationMetricWriter 模块。我们可以在 Jupyter notebook 里直接查看它的函数。方法如下：

可以看到它只有两个函数，使用起来非常的简单，我们来逐一介绍一下这两个函数。send_inference_time() 用来向 Telemetry 数据发送每一帧推送所消耗的时间，唯一要注意的是每一帧哦。这就要求你能区分每一帧推理的时间。如果你选择 async 模式，就需要考虑是不是适用了。 send_application_metrics 主要传递的是模型的名字和推理设备的名字，以便于你能更好地标记这个任务。

看到这里，估计你的想法与我刚开始的一样，怎么没有看到上传 CPU, GPU, Thermal 等数据上传呢？其实是因为这些数据都是通用的，这块就没有必要放在用户侧来每次都重复写一遍，在后端直接默认做了。从这里我们可以看到，最重要的数据还是推理时间的上传。

现在这两个函数在程序里的调用时机，这里我注释了没有必要的代码，以方便观察。