ONNX Runtime GPU

Plattformübergreifende, hardwarebeschleunigte ML-Inferenz — stellen Sie jedes Modell aus jedem Framework bereit

ONNX Runtime (ORT) ist Microsofts Open-Source-Inferenz-Engine für ONNX-Modelle (Open Neural Network Exchange). Sie bietet hardwarebeschleunigte Inferenz über CPUs, GPUs und spezialisierte Beschleuniger hinweg über eine einheitliche API. Ganz gleich, ob Ihr Modell in PyTorch, TensorFlow, Scikit-learn oder XGBoost trainiert wurde — wenn Sie es in das ONNX-Format exportieren können, kann ORT es schneller ausführen.

GitHub: microsoft/onnxruntime — 14K+ ⭐

---

Warum ONNX Runtime?

Funktion	ONNX Runtime	TorchScript	TensorFlow Serving
Framework-agnostisch	✅	❌ Nur PyTorch	❌ Nur TF
GPU-Beschleunigung	✅ CUDA/TensorRT	✅	✅
INT8/FP16-Quantisierung	✅	Teilweise	Teilweise
Bereitstellung für Mobile/Edge	✅	Begrenzt	Begrenzt
Operator-Fusion	✅	Teilweise	✅
Einfache Integration	✅ Python/C++/Java	Python	Python/gRPC

Hauptvorteil: ONNX Runtime mit CUDA-Execution Provider liefert typischerweise 1,5–3-fache Beschleunigung gegenüber der nativen PyTorch-Inferenz für Computer-Vision- und NLP-Modelle.

---

Unterstützte Execution Provider

ONNX Runtime unterstützt mehrere Hardware-Backends (Execution Provider):

Provider	Hardware	Anwendungsfall
CUDAExecutionProvider	NVIDIA-GPUs	Allgemeine GPU-Inferenz
TensorrtExecutionProvider	NVIDIA-GPUs	Maximaler Durchsatz
CPUExecutionProvider	CPU	Fallback / Edge
ROCMExecutionProvider	AMD-GPUs	AMD-Hardware
CoreMLExecutionProvider	Apple Silicon	macOS/iOS
OpenVINOExecutionProvider	Intel	Intel-CPUs/GPUs

---

Voraussetzungen

• Clore.ai-Konto mit GPU-Miete

• Grundlegende Python-Kenntnisse

• Ein trainiertes Modell (PyTorch, TensorFlow oder vorab exportiertes ONNX)

---

Schritt 1 — Miete eine GPU auf Clore.ai

1. Gehe zu clore.ai → Marktplatz

2. Jede NVIDIA-GPU funktioniert — von der RTX 3070 für kleine Modelle bis zur A100 für große Transformer

3. Für Transformer-Modelle: RTX 4090 oder A100 empfohlen

4. Für Computer Vision: RTX 3090 oder RTX 4090 reicht aus

---

Schritt 2 — Stellen Sie Ihren Container bereit

ONNX Runtime hat keinen offiziellen vorgefertigten Container, aber das NVIDIA-CUDA-Base-Image ist ideal:

Docker-Image:

nvcr.io/nvidia/cuda:12.8.1-cudnn-devel-ubuntu22.04

Ports:

22

Umgebungsvariablen:

NVIDIA_VISIBLE_DEVICES=all
NVIDIA_DRIVER_CAPABILITIES=compute,utility

Alternativ verwenden Sie pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime das CUDA und eine Python-Umgebung enthält, die für die ORT-Installation bereit ist.

---

Schritt 3 — Installieren Sie ONNX Runtime mit GPU-Unterstützung

ssh root@<server-ip> -p <ssh-port>

# Pakete aktualisieren
apt-get update && apt-get install -y \\
    python3-pip \\
    python3-dev \
    wget \
    git \
    libgomp1

# ONNX Runtime mit CUDA-Unterstützung installieren
pip install onnxruntime-gpu

# Unterstützende Pakete installieren
pip install \
    onnx \
    numpy \\
    Pillow \\
    transformers \
    torch \
    torchvision \
    fastapi \
    uvicorn

# Installation überprüfen
python3 << 'EOF'
import onnxruntime as ort
print(f"ORT-Version: {ort.__version__}")
print(f"Verfügbare Provider: {ort.get_available_providers()}")
# Sollte enthalten: CUDAExecutionProvider, TensorrtExecutionProvider, CPUExecutionProvider
EOF

---

Schritt 4 — Exportieren Sie Ihr Modell nach ONNX

PyTorch-Modellexport

import torch
import torch.nn as nn
import onnx

# Beispiel: ResNet50 exportieren
model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet50', pretrained=True)
model.eval()

# Dummy-Input erstellen (batch=1, RGB-Bild 224x224)
dummy_input = torch.randn(1, 3, 224, 224)

# Nach ONNX exportieren
torch.onnx.export(
    model,
    dummy_input,
    "resnet50.onnx",
    export_params=True,
    opset_version=17,              # Neueste stabile Opset verwenden
    do_constant_folding=True,      # Konstante Operationen optimieren
    input_names=["input"],
    output_names=["output"],
    dynamic_axes={
        "input": {0: "batch_size"},    # Dynamischer Batch
        "output": {0: "batch_size"}
    }
)
print("Modell erfolgreich exportiert!")

# Das exportierte Modell überprüfen
onnx_model = onnx.load("resnet50.onnx")
onnx.checker.check_model(onnx_model)
print("ONNX-Modell ist gültig!")

Export mit HuggingFace Transformers

# Optimum für den HuggingFace-ONNX-Export installieren
pip install optimum[exporters]

# BERT für Textklassifizierung exportieren
optimum-cli export onnx \
    --model bert-base-uncased \
    --task text-classification \
    ./bert_onnx/

# Mit Optimierung exportieren
optimum-cli export onnx \
    --model microsoft/phi-2 \
    --task text-generation \
    --optimize O2 \
    ./phi2_onnx/

Export mit ORT-Optimierung

from optimum.onnxruntime import ORTModelForSequenceClassification
from optimum.onnxruntime.configuration import OptimizationConfig, ORTConfig
from optimum.onnxruntime import ORTOptimizer

# Laden und optimieren
model = ORTModelForSequenceClassification.from_pretrained(
    "distilbert-base-uncased-finetuned-sst-2-english",
    export=True
)

optimizer = ORTOptimizer.from_pretrained(model)
optimization_config = OptimizationConfig(
    optimization_level=2,
    optimize_for_gpu=True,
    fp16=True
)

optimizer.optimize(
    save_dir="./distilbert_optimized",
    optimization_config=optimization_config
)

---

Schritt 5 — Führen Sie die Inferenz mit ONNX Runtime aus

Grundlegende GPU-Inferenz

import onnxruntime as ort
import numpy as np
from PIL import Image
import torchvision.transforms as transforms

# Sitzung mit GPU-Execution-Providern konfigurieren
# Die Provider werden in Reihenfolge ausprobiert — zuerst CUDA, dann CPU-Fallback
providers = [
    ("CUDAExecutionProvider", {
        "device_id": 0,
        "arena_extend_strategy": "kNextPowerOfTwo",
        "gpu_mem_limit": 4 * 1024 * 1024 * 1024,  # 4GB-Grenze
        "cudnn_conv_algo_search": "EXHAUSTIVE",
        "do_copy_in_default_stream": True,
    }),
    "CPUExecutionProvider"
]

# Leistungsoptionen für die Sitzung
opts = ort.SessionOptions()
opts.graph_optimization_level = ort.GraphOptimizationLevel.ORT_ENABLE_ALL
opts.intra_op_num_threads = 8
opts.execution_mode = ort.ExecutionMode.ORT_PARALLEL

# Modell laden
session = ort.InferenceSession(
    "resnet50.onnx",
    sess_options=opts,
    providers=providers
)

print(f"Ausführung auf: {session.get_providers()}")

# Eingabe vorbereiten
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

img = Image.open("test_image.jpg").convert("RGB")
img_tensor = transform(img).unsqueeze(0).numpy()

# Inferenz ausführen
outputs = session.run(None, {"input": img_tensor})
probabilities = outputs[0][0]
top5_idx = probabilities.argsort()[-5:][::-1]
print("Top-5-Vorhersagen:", top5_idx, probabilities[top5_idx])

Batch-Inferenz für höheren Durchsatz

import onnxruntime as ort
import numpy as np
import time

session = ort.InferenceSession(
    "resnet50.onnx",
    providers=["CUDAExecutionProvider"]
)

# GPU aufwärmen
dummy = np.random.randn(1, 3, 224, 224).astype(np.float32)
for _ in range(10):
    session.run(None, {"input": dummy})

# Batch-Größen benchmarken
for batch_size in [1, 4, 8, 16, 32, 64]:
    inputs = np.random.randn(batch_size, 3, 224, 224).astype(np.float32)
    
    start = time.time()
    n_iter = 100
    for _ in range(n_iter):
        session.run(None, {"input": inputs})
    elapsed = time.time() - start
    
    throughput = (batch_size * n_iter) / elapsed
    latency = (elapsed / n_iter) * 1000  # ms
    
    print(f"Batch {batch_size:3d}: {throughput:7.1f} img/sec, {latency:.1f}ms/batch")

---

Schritt 6 — TensorRT-Execution-Provider (Maximale Leistung)

Für NVIDIA-GPUs bietet TensorRT EP eine noch bessere Leistung:

import onnxruntime as ort
import numpy as np

# Konfiguration des TensorRT-Execution-Providers
tensorrt_provider_options = {
    "trt_max_workspace_size": 4 * 1024 * 1024 * 1024,  # 4GB
    "trt_fp16_enable": True,          # FP16 für schnellere Inferenz aktivieren
    "trt_int8_enable": False,
    "trt_engine_cache_enable": True,   # Kompilierte Engines cachen
    "trt_engine_cache_path": "/tmp/trt_cache",
    "trt_max_partition_iterations": 1000,
    "trt_min_subgraph_size": 1,
    "trt_timing_cache_enable": True,
}

providers = [
    ("TensorrtExecutionProvider", tensorrt_provider_options),
    ("CUDAExecutionProvider", {"device_id": 0}),
    "CPUExecutionProvider"
]

session = ort.InferenceSession("resnet50.onnx", providers=providers)
print("Aktiver Provider:", session.get_providers()[0])

# Der erste Durchlauf kompiliert die TensorRT-Engine (kann 1–3 Minuten dauern)
# Nachfolgende Durchläufe verwenden die zwischengespeicherte Engine und sind sehr schnell

TensorRT-Engine-Kompilierung erfolgt bei der ersten Inferenz und kann 1–5 Minuten dauern. Aktivieren Sie das Caching (trt_engine_cache_enable: True) damit die kompilierte Engine über Sitzungen hinweg wiederverwendet wird.

---

Schritt 7 — INT8-Quantisierung für maximale Geschwindigkeit

from onnxruntime.quantization import quantize_dynamic, quantize_static, QuantType
import onnxruntime as ort
import numpy as np

# Dynamische INT8-Quantisierung (keine Kalibrierdaten erforderlich)
quantize_dynamic(
    model_input="resnet50.onnx",
    model_output="resnet50_int8_dynamic.onnx",
    weight_type=QuantType.QInt8
)

# Statische INT8-Quantisierung (erfordert Kalibrierdaten)
from onnxruntime.quantization import CalibrationDataReader

class ImageCalibrationReader(CalibrationDataReader):
    def __init__(self, data_dir, input_name="input"):
        self.data_dir = data_dir
        self.input_name = input_name
        self.images = self._load_images()
        self.idx = 0
    
    def _load_images(self):
        # 100 Kalibrierbilder laden
        import glob, torchvision.transforms as T
        from PIL import Image
        transform = T.Compose([T.Resize(256), T.CenterCrop(224), T.ToTensor()])
        images = []
        for path in glob.glob(f"{self.data_dir}/*.jpg")[:100]:
            img = Image.open(path).convert("RGB")
            images.append(transform(img).numpy())
        return images
    
    def get_next(self):
        if self.idx >= len(self.images):
            return None
        data = {self.input_name: self.images[self.idx:self.idx+1]}
        self.idx += 1
        return data

from onnxruntime.quantization import quantize_static, QuantFormat
quantize_static(
    model_input="resnet50.onnx",
    model_output="resnet50_int8_static.onnx",
    calibration_data_reader=ImageCalibrationReader("/data/calibration_images"),
    quant_format=QuantFormat.QDQ,
    weight_type=QuantType.QInt8
)

---

Schritt 8 — Erstellen Sie eine Inference-API

cat > /workspace/onnx_api.py << 'EOF'
from fastapi import FastAPI, File, UploadFile
from fastapi.responses import JSONResponse
import onnxruntime as ort
import numpy as np
from PIL import Image
import io
import torchvision.transforms as transforms
import json

app = FastAPI(title="ONNX Runtime Inference API")

# Modell beim Start laden
session = ort.InferenceSession(
    "resnet50.onnx",
    providers=["CUDAExecutionProvider", "CPUExecutionProvider"]
)

# ImageNet-Klassenlabels laden
with open("imagenet_classes.json") as f:
    classes = json.load(f)

transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

@app.get("/health")
async def health():
    return {"status": "ok", "providers": session.get_providers()}

@app.post("/predict")
async def predict(file: UploadFile = File(...), topk: int = 5):
    image_data = await file.read()
    img = Image.open(io.BytesIO(image_data)).convert("RGB")
    tensor = transform(img).unsqueeze(0).numpy()
    
    outputs = session.run(None, {"input": tensor})[0][0]
    top_indices = outputs.argsort()[-topk:][::-1]
    
    results = [
        {"label": classes[str(i)], "score": float(outputs[i])}
        for i in top_indices
    ]
    return JSONResponse({"predictions": results})

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8080)
EOF

python3 /workspace/onnx_api.py &

# API testen
curl -X POST "http://localhost:8080/predict" \
    -H "accept: application/json" \
    -F "file=@test_image.jpg"

---

Schritt 9 — GPU-Auslastung überwachen

# Echtzeit-GPU-Überwachung während der Inferenz
watch -n 0.5 nvidia-smi

# Oder nvitop für eine bessere Oberfläche verwenden
pip install nvitop
nvitop

---

Leistungsbenchmarks

Modell	GPU	Provider	Durchsatz (Inf./s)
ResNet50	RTX 4090	CUDA	~4,200
ResNet50	RTX 4090	TensorRT FP16	~8,500
BERT Base	RTX 4090	CUDA	~380
BERT Base	RTX 4090	TensorRT FP16	~720
YOLOv8n	RTX 3090	CUDA	~1,800
YOLOv8x	A100	TensorRT FP16	~920

---

Fehlerbehebung

CUDA-Provider nicht verfügbar

# Prüfen, ob CUDA-ORT installiert ist (nicht nur CPU-Version)
pip uninstall onnxruntime
pip install onnxruntime-gpu

python3 -c "import onnxruntime as ort; print(ort.get_available_providers())"

TensorRT-Kompilierfehler

# TensorRT-Versionskompatibilität prüfen
python3 -c "import tensorrt; print(tensorrt.__version__)"

# Stattdessen CUDA EP verwenden
providers = ["CUDAExecutionProvider"]  # TensorRT EP überspringen

Shape-Mismatch-Fehler

# Eingabe-/Ausgabeformen des Modells prüfen
for input in session.get_inputs():
    print(f"Eingabe: {input.name}, Shape: {input.shape}, Typ: {input.type}")

for output in session.get_outputs():
    print(f"Ausgabe: {output.name}, Shape: {output.shape}, Typ: {output.type}")

---

Fortgeschritten: Multi-Modell-Pipeline

import onnxruntime as ort
import numpy as np

class MultiModelPipeline:
    def __init__(self):
        providers = ["CUDAExecutionProvider"]
        self.detector = ort.InferenceSession("detector.onnx", providers=providers)
        self.classifier = ort.InferenceSession("classifier.onnx", providers=providers)
    
    def run(self, image: np.ndarray) -> list:
        # Phase 1: Objekterkennung
        boxes = self.detector.run(None, {"image": image})[0]
        
        results = []
        for box in boxes:
            # Erkannten Bereich zuschneiden
            crop = self._crop(image, box)
            
            # Phase 2: Jeden Bereich klassifizieren
            label = self.classifier.run(None, {"input": crop})[0]
            results.append({"box": box.tolist(), "label": int(label.argmax())})
        
        return results
    
    def _crop(self, image, box):
        x1, y1, x2, y2 = box.astype(int)
        return image[:, :, y1:y2, x1:x2]

pipeline = MultiModelPipeline()

---

Zusätzliche Ressourcen

• ONNX Runtime GitHub

• ONNX Runtime-Dokumentation

• Hugging Face Optimum

• ONNX-Modellzoo — Vorexportierte Modelle

• Netron — ONNX-Modellvisualisierer

• ONNX Runtime Python-API

---

ONNX Runtime auf Clore.ai ist die ideale Wahl für Produktions-Inferenzdienste, die Modelle aus verschiedenen Frameworks mit maximaler GPU-Effizienz bereitstellen müssen.

---

GPU-Empfehlungen für Clore.ai

Anwendungsfall	Empfohlene GPU	Geschätzte Kosten bei Clore.ai
Entwicklung/Testen	RTX 3090 (24 GB)	0,07–0,21 $/GPU/Stunde
Produktions-Inferenz	RTX 4090 (24 GB)	0,14–0,42 $/GPU/Stunde
Bereitstellung im großen Maßstab	A100 80GB	Bare Metal

💡 Alle Beispiele in diesem Leitfaden können bereitgestellt werden auf Clore.ai GPU-Servern. Durchsuchen Sie verfügbare GPUs und mieten Sie stundenweise — keine Verpflichtungen, voller Root-Zugriff.