Skip to content

Latest commit

 

History

History
 
 

lite

Paddle-Lite端侧部署

Paddle-Lite是飞桨轻量化推理引擎,为手机、IOT端提供高效推理能力,并广泛整合跨平台硬件,为端侧部署及应用落地问题提供轻量化的部署方案。 本目录提供了PaddleDetection中主要模型在Paddle-Lite上的端到端部署代码。用户可以通过本教程了解如何使用该部分代码,基于Paddle-Lite实现在移动端部署PaddleDetection模型。

1. 准备环境

运行准备

  • 电脑(编译Paddle Lite)
  • 安卓手机(armv7或armv8)

1.1 准备交叉编译环境

交叉编译环境用于编译 Paddle Lite 和 PaddleDetection 的C++ demo。 支持多种开发环境,不同开发环境的编译流程请参考对应文档,请确保安装完成Java jdk、Android NDK(R17 < version < R21,其他版本以上未做测试)。 设置NDK_ROOT命令:

export NDK_ROOT=[YOUR_NDK_PATH]/android-ndk-r17c
  1. Docker
  2. Linux
  3. MAC OS

1.2 准备预测库

预测库有两种获取方式:

  1. [建议]直接从Paddle-Lite Release中, 根据设备类型与架构选择对应的预编译库,请注意使用模型FP32/16版本需要与库相对应,库文件的说明请参考官方文档

注意:(1) 如果是从 Paddle-Lite 官方文档下载的预测库,注意选择with_extra=ON,with_cv=ON的下载链接。2. 目前只提供Android端demo,IOS端demo可以参考Paddle-Lite IOS demo (2)PP-PicoDet部署需要Paddle Lite 2.11以上版本。

  1. 编译Paddle-Lite得到预测库,Paddle-Lite的编译方式如下(Lite库在不断更新,如若下列命令无效,请以Lite官方repo为主):
git clone https://github.com/PaddlePaddle/Paddle-Lite.git
cd Paddle-Lite
# 如果使用编译方式,建议使用develop分支编译预测库
git checkout develop
# FP32
./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_cv=ON --with_extra=ON
# FP16
./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_cv=ON --with_extra=ON --with_arm82_fp16=ON

注意:编译Paddle-Lite获得预测库时,需要打开--with_cv=ON --with_extra=ON两个选项,--arch表示arm版本,这里指定为armv8,更多编译命令介绍请参考链接

直接下载预测库并解压后,可以得到inference_lite_lib.android.armv8.clang.c++_static.with_extra.with_cv/文件夹,通过编译Paddle-Lite得到的预测库位于Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/文件夹下。 预测库的文件目录如下:

inference_lite_lib.android.armv8/
|-- cxx                                        C++ 预测库和头文件
|   |-- include                                C++ 头文件
|   |   |-- paddle_api.h
|   |   |-- paddle_image_preprocess.h
|   |   |-- paddle_lite_factory_helper.h
|   |   |-- paddle_place.h
|   |   |-- paddle_use_kernels.h
|   |   |-- paddle_use_ops.h
|   |   `-- paddle_use_passes.h
|   `-- lib                                           C++预测库
|       |-- libpaddle_api_light_bundled.a             C++静态库
|       `-- libpaddle_light_api_shared.so             C++动态库
|-- java                                     Java预测库
|   |-- jar
|   |   `-- PaddlePredictor.jar
|   |-- so
|   |   `-- libpaddle_lite_jni.so
|   `-- src
|-- demo                                     C++和Java示例代码
|   |-- cxx                                  C++  预测库demo, 请将本文档目录下的PaddleDetection相关代码拷贝至该文件夹下执行交叉编译。
|   `-- java                                 Java 预测库demo

2 开始运行

2.1 模型转换

Paddle-Lite 提供了多种策略来自动优化原始的模型,其中包括量化、子图融合、混合调度、Kernel优选等方法,使用Paddle-Lite的opt工具可以自动对inference模型进行优化,并转换为推理所使用的文件格式。目前支持两种优化方式,优化后的模型更轻量,模型运行速度更快。

注意:如果已经准备好了 .nb 结尾的模型文件,可以跳过此步骤。

2.1.1 安装paddle_lite_opt工具

安装paddle_lite_opt工具有如下两种方法, 请注意,无论使用哪种方法,请尽量保证paddle_lite_opt工具和预测库的版本一致,以避免未知的Bug。

  1. [建议]pip安装paddlelite并进行转换

    pip install paddlelite
  2. 源码编译Paddle-Lite生成paddle_lite_opt工具

    模型优化需要Paddle-Lite的opt可执行文件,可以通过编译Paddle-Lite源码获得,编译步骤如下:

    # 如果准备环境时已经clone了Paddle-Lite,则不用重新clone Paddle-Lite
    git clone https://github.com/PaddlePaddle/Paddle-Lite.git
    cd Paddle-Lite
    git checkout develop
    # 启动编译
    ./lite/tools/build.sh build_optimize_tool

    编译完成后,opt文件位于build.opt/lite/api/下,可通过如下方式查看opt的运行选项和使用方式;

    cd build.opt/lite/api/
    ./opt

    opt的使用方式与参数与上面的paddle_lite_opt完全一致。

之后使用paddle_lite_opt工具可以进行inference模型的转换。paddle_lite_opt的部分参数如下:

选项 说明
--model_file 待优化的PaddlePaddle模型(combined形式)的网络结构文件路径
--param_file 待优化的PaddlePaddle模型(combined形式)的权重文件路径
--optimize_out_type 输出模型类型,目前支持两种类型:protobuf和naive_buffer,其中naive_buffer是一种更轻量级的序列化/反序列化实现,默认为naive_buffer
--optimize_out 优化模型的输出路径
--valid_targets 指定模型可执行的backend,默认为arm。目前可支持x86、arm、opencl、npu、xpu,可以同时指定多个backend(以空格分隔),Model Optimize Tool将会自动选择最佳方式。如果需要支持华为NPU(Kirin 810/990 Soc搭载的达芬奇架构NPU),应当设置为npu, arm
--enable_fp16 true/false,是否使用fp16进行推理。如果开启,需要使用对应fp16的预测库

更详细的paddle_lite_opt工具使用说明请参考使用opt转化模型文档

--model_file表示inference模型的model文件地址,--param_file表示inference模型的param文件地址;optimize_out用于指定输出文件的名称(不需要添加.nb的后缀)。直接在命令行中运行paddle_lite_opt,也可以查看所有参数及其说明。

2.1.2 转换示例

下面以PaddleDetection中的 PicoDet 模型为例,介绍使用paddle_lite_opt完成预训练模型到inference模型,再到Paddle-Lite优化模型的转换。

# 进入PaddleDetection根目录
cd PaddleDetection_root_path

# 将预训练模型导出为inference模型
python tools/export_model.py -c configs/picodet/picodet_s_320_coco.yml \
              -o weights=https://paddledet.bj.bcebos.com/models/picodet_s_320_coco.pdparams --output_dir=output_inference

# 将inference模型转化为Paddle-Lite优化模型
# FP32
paddle_lite_opt  --valid_targets=arm --model_file=output_inference/picodet_s_320_coco/model.pdmodel --param_file=output_inference/picodet_s_320_coco/model.pdiparams --optimize_out=output_inference/picodet_s_320_coco/model
# FP16
paddle_lite_opt  --valid_targets=arm --model_file=output_inference/picodet_s_320_coco/model.pdmodel --param_file=output_inference/picodet_s_320_coco/model.pdiparams --optimize_out=output_inference/picodet_s_320_coco/model --enable_fp16=true

# 将inference模型配置转化为json格式
python deploy/lite/convert_yml_to_json.py output_inference/picodet_s_320_coco/infer_cfg.yml

最终在output_inference/picodet_s_320_coco/文件夹下生成model.nbinfer_cfg.json的文件。

注意--optimize_out 参数为优化后模型的保存路径,无需加后缀.nb--model_file 参数为模型结构信息文件的路径,--param_file 参数为模型权重信息文件的路径,请注意文件名。

2.2 与手机联调

首先需要进行一些准备工作。

  1. 准备一台arm8的安卓手机,如果编译的预测库是armv7,则需要arm7的手机,并修改Makefile中ARM_ABI=arm7

  2. 电脑上安装ADB工具,用于调试。 ADB安装方式如下:

    2.1. MAC电脑安装ADB:

    brew cask install android-platform-tools

    2.2. Linux安装ADB

    sudo apt update
    sudo apt install -y wget adb

    2.3. Window安装ADB

    win上安装需要去谷歌的安卓平台下载ADB软件包进行安装:链接

  3. 手机连接电脑后,开启手机USB调试选项,选择文件传输模式,在电脑终端中输入:

adb devices

如果有device输出,则表示安装成功,如下所示:

List of devices attached
744be294    device
  1. 编译lite部署代码生成移动端可执行文件
cd {PadddleDetection_Root}
cd deploy/lite/

inference_lite_path=/{lite prediction library path}/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/
mkdir $inference_lite_path/demo/cxx/lite

cp -r Makefile src/ include/ *runtime_config.json $inference_lite_path/demo/cxx/lite

cd $inference_lite_path/demo/cxx/lite

# 执行编译,等待完成后得到可执行文件main
make ARM_ABI=arm8
#如果是arm7,则执行 make ARM_ABI = arm7 (或者在Makefile中修改该项)
  1. 准备优化后的模型、预测库文件、测试图像。
mkdir deploy
cp main *runtime_config.json deploy/
cd deploy
mkdir model_det
mkdir model_keypoint

# 将优化后的模型、预测库文件、测试图像放置在预测库中的demo/cxx/detection文件夹下
cp {PadddleDetection_Root}/output_inference/picodet_s_320_coco/model.nb ./model_det/
cp {PadddleDetection_Root}/output_inference/picodet_s_320_coco/infer_cfg.json ./model_det/

# 如果需要关键点模型,则只需操作:
cp {PadddleDetection_Root}/output_inference/hrnet_w32_256x192/model.nb ./model_keypoint/
cp {PadddleDetection_Root}/output_inference/hrnet_w32_256x192/infer_cfg.json ./model_keypoint/

# 将测试图像复制到deploy文件夹中
cp [your_test_img].jpg ./demo.jpg

# 将C++预测动态库so文件复制到deploy文件夹中
cp ../../../cxx/lib/libpaddle_light_api_shared.so ./

执行完成后,deploy文件夹下将有如下文件格式:

deploy/
|-- model_det/
|   |--model.nb                    优化后的检测模型文件
|   |--infer_cfg.json              检测器模型配置文件
|-- model_keypoint/
|   |--model.nb                    优化后的关键点模型文件
|   |--infer_cfg.json              关键点模型配置文件
|-- main                           生成的移动端执行文件
|-- det_runtime_config.json        目标检测执行时参数配置文件
|-- keypoint_runtime_config.json   关键点检测执行时参数配置文件
|-- libpaddle_light_api_shared.so  Paddle-Lite库文件

注意:

  • det_runtime_config.json 包含了目标检测的超参数,请按需进行修改:
{
  "model_dir_det": "./model_det/",              #检测器模型路径
  "batch_size_det": 1,                          #检测预测时batchsize
  "threshold_det": 0.5,                         #检测器输出阈值
  "image_file": "demo.jpg",                     #测试图片
  "image_dir": "",                              #测试图片文件夹
  "run_benchmark": true,                       #性能测试开关
  "cpu_threads": 4                              #线程数
}
  • keypoint_runtime_config.json 同时包含了目标检测和关键点检测的超参数,支持Top-Down方案的推理流程,请按需进行修改:
{
  "model_dir_det": "./model_det/",              #检测模型路径
  "batch_size_det": 1,                          #检测模型预测时batchsize, 存在关键点模型时只能为1
  "threshold_det": 0.5,                         #检测器输出阈值
  "model_dir_keypoint": "./model_keypoint/",    #关键点模型路径(不使用需为空字符)
  "batch_size_keypoint": 8,                     #关键点预测时batchsize
  "threshold_keypoint": 0.5,                    #关键点输出阈值
  "image_file": "demo.jpg",                     #测试图片
  "image_dir": "",                              #测试图片文件夹
  "run_benchmark": true,                        #性能测试开关
  "cpu_threads": 4                              #线程数
  "use_dark_decode": true                       #是否使用DARK解码关键点坐标
}
  1. 启动调试,上述步骤完成后就可以使用ADB将文件夹 deploy/ push到手机上运行,步骤如下:
# 将上述deploy文件夹push到手机上
adb push deploy /data/local/tmp/

adb shell
cd /data/local/tmp/deploy
export LD_LIBRARY_PATH=/data/local/tmp/deploy:$LD_LIBRARY_PATH

# 修改权限为可执行
chmod 777 main
# 以检测为例,执行程序
./main det_runtime_config.json

如果对代码做了修改,则需要重新编译并push到手机上。

运行效果如下:

FAQ

Q1:如果想更换模型怎么办,需要重新按照流程走一遍吗?
A1:如果已经走通了上述步骤,更换模型只需要替换 .nb 模型文件及其对应模型配置文件infer_cfg.json,同时要注意修改下配置文件中的 .nb 文件路径以及类别映射文件(如有必要)。

Q2:换一个图测试怎么做?
A2:替换 deploy 下的测试图像为你想要测试的图像,使用 ADB 再次 push 到手机上即可。