- Notes de publication
- Vue d'ensemble (Overview)
- Paramétrage et configuration
- Prérequis logiciels
- Prérequis matériels
- Déploiement du serveur
- Connexion au serveur
- Stockage de données
![](https://docs.uipath.com/_next/static/media/grid.05ebd128.png?w=3840&%3Bq=100)
Prérequis logiciels
Les systèmes d'exploitation pris en charge pour le serveur Computer Vision sont :
- Microsoft Windows 10 21H2, Windows 11
- Ubuntu v16.04, v18.04, v20.04, v22.04
- Red Hat Enterprise Linux 8
Le serveur Windows Computer Vision utilise un déploiement basé sur un conteneur via Docker dans le sous-système Windows pour Linux (WSL) 2. Les éléments suivants doivent être installés :
- WSL 2
- Docker Desktop pour Windows ou Docker Engine (si installé directement dans WSL)
- Pilote d'affichage Nvidia Windows 11
- Nvidia Container Toolkit
Les ressources suivantes doivent être installées sur la machine sur laquelle vous souhaitez effectuer le déploiement :
- CUDA v11.1
- cuDNN8 v8.2.1
- Docker
- Nvidia Container Toolkit
Pour plus de commodité, UiPath fournit un script pour installer ces prérequis. Ce script est fourni « tel quel », sans garantie implicite ou explicite. Pour installer les prérequis à l'aide de ce script, exécutez la ligne suivante dans le terminal de la machine GPU :
curl -fsSL https://raw.githubusercontent.com/UiPath/Infrastructure/main/ML/ml_prereq_all.sh | sudo bash -s -- --env gpu
curl -fsSL https://raw.githubusercontent.com/UiPath/Infrastructure/main/ML/ml_prereq_all.sh | sudo bash -s -- --env gpu
Cette ligne exécute un script hébergé par UiPath, qui télécharge et installe automatiquement les ressources ci-dessus. Une fois le script terminé et les ressources installées, pour démarrer une instance de serveur de n'importe quel modèle d'apprentissage automatique, un fichier zip contenant le modèle est nécessaire. Ce fichier zip contient un script de point d'entrée et un script de test de vitesse local.
Si vous souhaitez en savoir plus sur les détails techniques de ce script, vous pouvez visiter le référentiel Github d'UiPath Infrastructure.
Les ressources suivantes doivent être installées sur la machine sur laquelle vous souhaitez effectuer le déploiement :
- CUDA v11.1
- cuDNN8 v8.2.1
- Podman
Pour plus de commodité, UiPath fournit un script pour installer ces prérequis. Ce script est fourni « tel quel », sans garantie implicite ou explicite. Pour installer les prérequis à l'aide de ce script, exécutez la ligne suivante dans le terminal de la machine GPU :
curl -fsSL https://raw.githubusercontent.com/UiPath/Infrastructure/main/ML/ml_prereq_podman_rhel8.sh | sudo bash -s -- --env gpu
curl -fsSL https://raw.githubusercontent.com/UiPath/Infrastructure/main/ML/ml_prereq_podman_rhel8.sh | sudo bash -s -- --env gpu
Cette ligne exécute un script hébergé par UiPath, qui télécharge et installe automatiquement les ressources ci-dessus. Une fois le script terminé et les ressources installées, pour démarrer une instance de serveur de n'importe quel modèle d'apprentissage automatique, un fichier zip contenant le modèle est nécessaire. Ce fichier zip contient un script de point d'entrée et un script de test de vitesse local.
Si vous souhaitez en savoir plus sur les détails techniques de ce script, vous pouvez visiter le référentiel Github d'UiPath Infrastructure.