1. Telemetry 介绍

上一篇文章我介绍了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。

2. Telemetry收集流程

图 1-2 Telemetry收集数据流程

概括来说，对自定义AI模型上运行模型优化，由Intel® OpenVINO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：Enabling telemetry for custom models in Intel DevCloud for the Edge - Embedded.com

3. 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。

Step1. 登录Jupyter Lab
登录Intel® Developer Cloud主页后，点击“Bare Metal Deployment”的“Get Started”按钮，进入Jupyter Lab开发环境。在左侧目录导航栏选择这个路径：Reference-samples/iot-devcloud/openvino-dev-latest/developer-samples/python/，然后找到object-detection-python应用。

Step2. 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：



图 3-1 在Jupyter notebook里查看函数

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。

看到这你估计跟我刚开始一样，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。

#!/usr/bin/env python

import applicationMetricWriter

...

def main():

...

try:

infer_time_start = time.time()

with open(processed_vid, "rb") as data:

while frame_count < video_len:

byte = data.read(CHUNKSIZE)

if not byte == b"":

deserialized_bytes = np.frombuffer(byte, dtype=np.uint8)

in_frame = np.reshape(deserialized_bytes, newshape=(n, c, h, w))

inf_time = time.time()

exec_net.start_async(request_id=current_inference,inputs={input_blob: in_frame})

# Retrieve the output of an earlier inference request

if previous_inference >= 0:

status = infer_requests[previous_inference].wait()

if status is not 0:

raise Exception("Infer request not completed successfully")

det_time = time.time() - inf_time

applicationMetricWriter.send_inference_time(det_time*1000)

res = output_postprocessor(exec_net.requests[previous_inference].output_blobs)

processBoxes(frame_count, res, label***ap, args.prob_threshold, width, height, result_file)

frame_count += 1

…

applicationMetricWriter.send_application_metric***odel_xml, args.device)

Step3. Telemetry 数据访问
等应用程序在边缘节点运行结束，我们就可以去查看Telemetry的数据了。数据的连接你可以参考这个object-detection-python里的方法，直接点击1Telemetry按键获取连接方式。



图 3-2 Telemetry地址

当然您也可以自己手动生成这样一个连接，注意上图中2框处的ID号。使用Telemetry 服务器地址拼接该ID号，即可访问该数据。

Loading... + ID

比如：Loading...

访问该路径即可获取Telemetry 的数据了。



图 3-3 Telemetry 界面

4. 总结

看到这相信您一定理解了Intel® Developer Cloud Telemetry 的集成方法了，它并没有我们想象的那么复杂。我这里总结出来，只是为了方便刚开始接触这块的您更快上手，不用花费太多精力就可以更快的把事情搞定。如果您在使用过程中有碰到问题，期待一起交流。这篇就到这吧。