7c10ae3e18
Rastérisation des points sol via gpu.bin_mean_2d (bincount 2D CuPy, sémantique identique au repli scipy binned_statistic_2d) : ~x7 plus rapide sur cette étape, logs de durée par phase dans create_dtm_fast. safe_gpu_call retente en CPU sur toute erreur GPU (pas seulement les messages CUDA) : un transfert échoué en cours de run mélangeait types numpy/cupy et faisait échouer la visualisation entière. Workers en mono-thread BLAS/OpenMP sur la machine de traitement (plus de saturation des cœurs pendant les runs).
65 lines
2.5 KiB
YAML
65 lines
2.5 KiB
YAML
# Machine de traitement — générateur de tuiles (cf. docs/DEPLOY_WEBAPP.md).
|
||
#
|
||
# Tourne sur la machine puissante (GPU + PDAL) et expose l'API que les
|
||
# webapp distantes (Raspberry Pi, docker-compose.webapp.yml) appellent :
|
||
# dessin d'une zone → téléchargement IGN + traitement GPU ici, les tuiles
|
||
# sont servies à la demande par la webapp (cache peuplé au fil des
|
||
# consultations).
|
||
#
|
||
# docker compose -f docker-compose.worker.yml up -d --build
|
||
# docker compose -f docker-compose.worker.yml logs -f worker
|
||
# docker compose -f docker-compose.worker.yml down
|
||
#
|
||
# Traitement batch ponctuel des dalles présentes dans input/ :
|
||
# docker compose -f docker-compose.worker.yml run --rm --build process [-r 0.5,0.2 | --force]
|
||
services:
|
||
# Générateur de tuiles : API de génération (webapp complète, GPU)
|
||
worker:
|
||
build: .
|
||
image: lidar-lidar
|
||
container_name: lidar-worker
|
||
init: true
|
||
user: "1000:1000"
|
||
gpus: all # retirer cette ligne sur une machine sans GPU
|
||
ports:
|
||
- "8973:8973" # joignable par la webapp distante (LIDAR_GENERATION_URL)
|
||
volumes:
|
||
# input/ en écriture : l'API y télécharge les dalles IGN manquantes
|
||
- ./input:/data/input
|
||
- ./output:/data/output
|
||
environment:
|
||
- TZ=Europe/Paris
|
||
- LIDAR_INPUT_DIR=/data/input
|
||
- LIDAR_OUTPUT_DIR=/data/output
|
||
# Les générations lancées depuis une webapp distante utilisent le GPU
|
||
- LIDAR_GPU=1
|
||
- LIDAR_WORKERS=auto
|
||
# Une ligne par worker : BLAS/OpenMP mono-thread, sinon 12 workers × N
|
||
# threads écrasent les 14 cœurs (load 68+ observé pendant les runs)
|
||
- OMP_NUM_THREADS=1
|
||
- OPENBLAS_NUM_THREADS=1
|
||
- MKL_NUM_THREADS=1
|
||
- NUMEXPR_NUM_THREADS=1
|
||
# Protéger l'API si le réseau n'est pas de confiance : même valeur que
|
||
# LIDAR_REMOTE_TOKEN sur chaque webapp distante (sinon, laisser commenté)
|
||
# - LIDAR_API_TOKEN=change-moi
|
||
command: python3 -m uvicorn lidar_pipeline.webapp:app --host 0.0.0.0 --port 8973
|
||
restart: unless-stopped
|
||
|
||
# Traitement ponctuel des dalles input/ (une passe puis arrêt)
|
||
process:
|
||
build: .
|
||
image: lidar-lidar
|
||
container_name: lidar-process
|
||
init: true
|
||
user: "1000:1000"
|
||
gpus: all # retirer cette ligne sur une machine sans GPU
|
||
volumes:
|
||
- ./input:/data/input
|
||
- ./output:/data/output
|
||
environment:
|
||
- TZ=Europe/Paris
|
||
command: ["python3", "-m", "lidar_pipeline", "/data/input", "-o", "/data/output", "-r", "0.2", "-g", "all"]
|
||
profiles:
|
||
- process
|