Function Compute：影像處理最佳實務

應用情境與優勢

在不同的應用情境下，Function Compute提供的GPU執行個體與CPU相比所具備的優勢如下。

• 即時、准即時的應用情境

  • 提供數倍於CPU的圖形影像處理效率，從而快速將生產內容推向終端使用者。

• 成本優先的影像處理情境

  • 提供彈性預留模式，從而按需為客戶保留GPU工作執行個體，對比自建GPU叢集擁有較大成本優勢。

  • 提供GPU共用虛擬化，支援以1/2、獨佔方式使用GPU，允許業務以更精細化的方式配置GPU執行個體。

• 效率優先的影像處理情境

  • 屏蔽營運GPU叢集的繁重負擔（驅動/CUDA版本管理、機器運行管理、GPU壞卡管理），使得開發人員專註於代碼開發、聚焦營運目標的達成。

GPU執行個體的更多資訊，請參見執行個體類型及使用模式。

教程樣本說明

如下表所示，左列為原圖，右列是經過部署在Function Compute的邊緣檢測函數代碼處理後，所產生的圖片。

準備工作

• OpenCV需要自行編譯以使用GPU加速，編譯方式如下：

  • （推薦）通過Docker使用已編譯好的OpenCV。下載地址：opencv-cuda-docker或cuda-opencv

  • 自行編譯。具體步驟，請參見官網編譯手冊。

• 將需處理的音視頻資源上傳至在GPU執行個體所在地區的OSS Bucket中，且您對該Bucket中的檔案有讀寫權限。具體步驟，請參見控制台上傳檔案。許可權相關說明，請參見修改儲存空間讀寫權限。

通過Function Compute控制台部署GPU應用

1. 部署鏡像。

   1. 建Container Registry的企業版執行個體或個人版執行個體。

      推薦您建立企業版執行個體。具體操作步驟，請參見建立企業版執行個體。

   2. 建立命名空間和鏡像倉庫。

      具體操作步驟，請參見步驟二：建立命名空間和步驟三：建立鏡像倉庫。

   3. 在Container Registry控制台，根據介面提示完成Docker相關操作步驟。然後將上述樣本app.py和Dockerfile推送至執行個體鏡像倉庫，檔案資訊，請參見通過ServerlessDevs部署GPU應用時/code目錄中的app.py和Dockerfile。

      

2. 建立GPU函數。具體操作步驟，請參見建立Custom Container函數。

3. 修改函數的執行逾時時間。

   1. 在目標函數的配置頁簽，在左側導覽列，選擇運行時，然後單擊運行時右側的編輯。

   2. 在運行時面板，修改執行逾時時間，然後單擊確定。

   說明

   CPU轉碼耗時會超過預設的60s，因此建議您修改執行逾時時間為較大的值。

4. 配置GPU預留執行個體。關於配置預留執行個體的具體操作，請參見配置預留執行個體。

   配置完成後，您可以在規則列表查看預留的GPU執行個體是否就緒。即當前預留執行個體數是否為設定的預留執行個體數。

5. 使用cURL測試函數。

   1. 在函數詳情頁面，單擊觸發器管理頁簽，查看觸發器的配置資訊，擷取觸發器的訪問地址。

   2. 在命令列執行如下命令，調用GPU函數。

      • 查看線上函數版本

        curl "https://tgpu-op-console-tgpu-op-console-ajezokddpx.cn-shenzhen.fcapp.run"
        {"function": "opencv_edge_canny"}

      • 執行圖片邊緣檢測

        curl "https://tgpu-op-console-tgpu-op-console-ajezokddpx.cn-shenzhen.fcapp.run" -H "RUN-MODE: normal"
        {"result": "CUDA-capable device supported | process image ok!"}