1. 问题背景与现象
在深度学习推理部署中，我们常常需要集成多种优化工具或框架。例如，onnx runtime提供跨平台推理能力，而nvidia tensorrt则专注于nvidia gpu上的高性能推理。当尝试在同一个python脚本中同时加载并运行onnx runtime（配置为使用cuda execution provider）和tensorrt模型时，开发者可能会遇到以下cuda运行时错误：
[TRT] [E] 1: [convolutionRunner.cpp::execute::391] Error Code 1: Cask (Cask convolution execution) [TRT] [E] 1: [checkMacros.cpp::catchCudaError::272] Error Code 1: Cuda Runtime (invalid resource handle)
这些错误通常伴随着ONNX Runtime的警告，提示某些节点未分配到首选执行器，但核心问题在于Cuda Runtime (invalid resource handle)。值得注意的是，如果单独运行每个模型，或者将ONNX Runtime的Provider设置为CPUExecutionProvider，则这些错误不会出现。这表明问题根源在于CUDA资源的共享与管理。
2. 根本原因：CUDA上下文冲突
此问题的核心在于CUDA上下文（CUDA Context）的管理。CUDA上下文是GPU上所有CUDA操作的执行环境，包括内存分配、流管理、内核启动等。每个进程或线程通常需要一个或多个CUDA上下文来执行GPU操作。
- pycuda.autoinit的机制： pycuda.autoinit模块在导入时会自动初始化CUDA并为当前线程创建一个默认的CUDA上下文，并将其推送到CUDA上下文堆栈的顶部。这对于简单的PyCUDA程序非常方便。
-
多框架的挑战： 当程序中引入TensorRT和ONNX Runtime（CUDA Execution Provider）时，情况变得复杂。
- TensorRT： TensorRT在反序列化引擎并创建执行上下文时，会与CUDA运行时交互，可能期望一个特定的CUDA上下文环境。
- ONNX Runtime (CUDA EP)： ONNX Runtime的CUDA Execution Provider也会在内部初始化CUDA并管理其自己的CUDA上下文。
- 冲突的产生： 如果pycuda.autoinit创建的默认上下文与TensorRT或ONNX Runtime内部所需的上下文管理方式发生冲突，或者上下文堆栈没有被正确地管理（例如，一个上下文被推入但未弹出，导致后续操作在错误的上下文上执行），就会出现invalid resource handle错误。TensorRT尤其对CUDA上下文的活跃状态和有效性敏感。当多个库试图独立管理或依赖全局CUDA上下文时，就容易发生资源句柄失效的问题。
3. 解决方案：手动管理CUDA上下文
解决此问题的关键在于放弃pycuda.autoinit的自动管理，转而采用PyCUDA手动初始化和管理CUDA上下文。通过显式地创建、推送和弹出CUDA上下文，我们可以确保在TensorRT和ONNX Runtime执行GPU操作时，始终有一个有效且受控的CUDA上下文处于激活状态。
3.1 手动CUDA上下文管理步骤
- 禁用pycuda.autoinit： 从代码中移除import pycuda.autoinit。
- 初始化CUDA驱动： 调用cuda.init()。
- 创建设备和上下文： 选择一个CUDA设备（例如cuda.Device(0)），然后调用device.make_context()创建上下文。
- 推送和弹出上下文： 在所有需要CUDA上下文的操作（包括TensorRT引擎的创建、执行以及ONNX Runtime会话的创建、推理）之前，使用ctx.push()将上下文推入堆栈；在这些操作完成后，使用ctx.pop()将其弹出。通常，这可以通过try...finally块来确保上下文始终被正确弹出和清理。
- 分离上下文： 在程序结束或不再需要CUDA上下文时，调用ctx.detach()来分离上下文并释放相关资源。
3.2 示例代码：ONNX Runtime与TensorRT的协同推理
以下是修改后的代码示例，演示了如何通过手动管理CUDA上下文来解决上述问题：
import cv2
import numpy as np
import pycuda.driver as cuda
# import pycuda.autoinit # 移除此行，手动管理CUDA上下文
import tensorrt as trt
np.bool = np.bool_ # 兼容旧版Numpy
import onnx
import onnxruntime
# 假设 profiling 模块已定义，如果不需要可删除或替换
# from profiling import GlobalProfTime, ProfTimer, mode_to_str
# 1. 手动初始化CUDA驱动并创建上下文
cuda.init()
# 选择第一个GPU设备
device = cuda.Device(0)
# 为该设备创建CUDA上下文
ctx = device.make_context()
# 2. 将创建的上下文推入当前线程的CUDA上下文堆栈
ctx.push()
# 使用try...finally块确保上下文在程序结束时被正确弹出和清理
try:
# with GlobalProfTime('profile_tensorrt_10_000images') as t: # 性能分析，如果不需要可注释
# with ProfTimer('TensorRT basic image profiler') as t: # 性能分析，如果不需要可注释
# --- TensorRT 模型初始化部分 ---
TRT_ENGINE_PATH = '/app/models/buffalo_l/det_10g640x640.engine'
# 创建TensorRT运行时日志器
runtime = trt.Runtime(trt.Logger(trt.Logger.WARNING))
# 反序列化TensorRT引擎
with open(TRT_ENGINE_PATH, 'rb') as f:
engine_data = f.read()
engine = runtime.deserialize_cuda_engine(engine_data)
assert engine is not None, "Failed to deserialize TensorRT engine."
# 创建TensorRT执行上下文
context = engine.create_execution_context()
# 分配输入输出内存
inputs, outputs, bindings, stream = [], [], [], cuda.Stream()
for binding in engine:
size = trt.volume(engine.get_binding_shape(binding)) * engine.max_batch_size
dtype = trt.nptype(engine.get_binding_dtype(binding))
host_mem = cuda.pagelocked_empty(size, dtype) # 页锁定内存
device_mem = cuda.mem_alloc(host_mem.nbytes) # 设备内存
bindings.append(int(device_mem))
if engine.binding_is_input(binding):
inputs.append({'host': host_mem, 'device': device_mem, 'name': binding, 'shape': engine.get_binding_shape(binding), 'type': engine.get_binding_dtype(binding)})
else:
outputs.append({'host': host_mem, 'device': device_mem, 'name': binding, 'shape': engine.get_binding_shape(binding), 'type': engine.get_binding_dtype(binding)})
# 加载并预处理TensorRT模型输入图像
image_path = "/app/models/buffalo_l/image.png"
image = cv2.imread(image_path)
assert image is not None, f"Failed to load image from {image_path}"
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = cv2.resize(image, (640, 640))
image = image.astype(np.float32) / 255.0
input_data_trt = np.expand_dims(image.transpose(2, 0, 1), axis=0)
# --- ONNX Runtime 模型初始化部分 ---
onnx_model_path = "/app/models/buffalo_l/det_10g.onnx"
# 加载ONNX模型（可选，onnxruntime.InferenceSession会自动加载）
# onnx_model = onnx.load(onnx_model_path)
# 创建ONNX Runtime会话，并指定CUDAExecutionProvider
# 注意：ort_session的创建必须在CUDA上下文被推入后进行
ort_session = onnxruntime.InferenceSession(onnx_model_path, providers=['CUDAExecutionProvider'])
# --- TensorRT 模型推理部分 ---
print("\n--- Running TensorRT Inference ---")
for _ in range(1):
# with ProfTimer('TensorRT per call') as t: # 性能分析，如果不需要可注释
# 将输入数据从主机内存拷贝到GPU设备内存
cuda.memcpy_htod_async(inputs[0]['device'], input_data_trt.ravel(), stream)
# 执行推理
if context.execute_async(batch_size=1, bindings=bindings, stream_handle=stream.handle) == 0:
print("Error: Unable to launch TensorRT inference.")
# 将结果从GPU设备内存拷贝回主机内存
if cuda.memcpy_dtoh_async(outputs[0]['host'], outputs[0]['device'], stream) == 0:
print("Error: Unable to copy results from GPU to host.")
# 获取推理结果
result_trt = outputs[0]['host']
# 同步CUDA流
stream.synchronize()
print("Inference TensorRT Results (first 20 elements):")
print(result_trt[:20])
stream.synchronize() # 确保所有TensorRT操作完成
# --- ONNX Runtime 模型推理部分 ---
print("\n--- Running ONNX (CUDA) Inference ---")
for _ in range(1):
# with ProfTimer('ONNX(CUDA) per call') as t: # 性能分析，如果不需要可注释
# 重新加载并预处理ONNX模型输入图像（如果需要，否则可复用input_data_trt）
image_path_onnx = "/app/models/buffalo_l/image.png"
image_onnx = cv2.imread(image_path_onnx)
assert image_onnx is not None, f"Failed to load image from {image_path_onnx}"
image_onnx = cv2.cvtColor(image_onnx, cv2.COLOR_BGR2RGB)
image_onnx = cv2.resize(image_onnx, (640, 640))
image_onnx = image_onnx.astype(np.float32) / 255.0
input_data_onnx = np.expand_dims(image_onnx.transpose(2, 0, 1), axis=0)
# 获取ONNX模型的输入名称
input_name_onnx = ort_session.get_inputs()[0].name
# 运行ONNX推理
outputs_onnx = ort_session.run(None, {input_name_onnx: input_data_onnx})
print("Inference ONNX Results (first 20 elements):")
# 注意：ONNX输出的形状可能与TensorRT不同，这里仅打印前20个元素
print(f"{np.transpose(outputs_onnx[0][:20])}")
finally:
# 3. 确保上下文被弹出，无论是否发生异常
ctx.pop()
# 4. 分离并销毁上下文以释放资源
ctx.detach()
# 清理TensorRT相关资源
if 'context' in locals() and context:
context.destroy()
if 'engine' in locals() and engine:
engine.destroy()
if 'runtime' in locals() and runtime:
del runtime # runtime对象没有destroy方法，直接删除引用
# ONNX Runtime session通常在对象销毁时自动释放资源，无需显式操作
# 如果需要，也可以 del ort_session
print("\nCUDA Context and resources cleaned up.")
4. 注意事项与最佳实践
- 上下文生命周期管理： 确保ctx.push()和ctx.pop()成对出现，并且所有依赖CUDA的操作都在这两个调用之间。使用try...finally块是保证pop()被执行的健壮方法。
- 资源清理： 除了CUDA上下文，TensorRT的engine和context对象也需要显式地destroy()以释放GPU内存。
- np.bool兼容性： np.bool = np.bool_这行代码是为了兼容旧版NumPy，在新版中np.bool已被弃用，通常直接使用bool即可。如果遇到相关警告或错误，可以保留此行。
- 多线程/多进程： 如果在多线程或多进程环境中使用CUDA，每个线程/进程可能需要独立管理其CUDA上下文，或者使用PyCUDA提供的线程安全机制。这会使问题变得更复杂，需要更高级的CUDA编程知识。
- 驱动与库版本： 确保NVIDIA驱动、CUDA Toolkit、cuDNN、TensorRT以及ONNX Runtime的版本兼容。不匹配的版本可能导致各种运行时错误。
- 调试： 如果问题依然存在，可以尝试设置CUDA_LAUNCH_BLOCKING=1环境变量，这会让CUDA操作同步执行，有助于定位错误发生的具体位置，但会影响性能。同时，检查TensorRT和ONNX Runtime的日志输出，通常能提供更多线索。
5. 总结
在同一Python程序中整合ONNX Runtime（CUDA Execution Provider）和TensorRT时，正确管理CUDA上下文是避免“invalid resource handle”等资源冲突的关键。通过移除pycuda.autoinit并采用手动pycuda.driver初始化和上下文堆栈管理（ctx.push()和ctx.pop()），我们可以为所有CUDA依赖的库提供一个稳定且受控的执行环境，从而确保两种高性能推理引擎的顺利协同工作。理解并实施这些CUDA上下文管理原则，对于构建健壮且高效的深度学习部署系统至关重要。
