目录：
本示例将以语义分割模型PP-HumanSeg-Lite为例，介绍如何使用PaddleSeg中Inference部署模型进行自动压缩。本示例使用的自动压缩策略为非结构化稀疏、蒸馏和量化、蒸馏。
| 模型 | 策略 | Total IoU | ARM CPU耗时(ms) thread=1 |
Nvidia GPU耗时(ms) | 配置文件 | Inference模型 |
|---|---|---|---|---|---|---|
| PP-HumanSeg-Lite | Baseline | 92.87 | 56.363 | - | - | model |
| PP-HumanSeg-Lite | 非结构化稀疏+蒸馏 | 92.35 | 37.712 | - | config | - |
| PP-HumanSeg-Lite | 量化+蒸馏 | 92.84 | 49.656 | - | config | model (非最佳) |
| PP-Liteseg | Baseline | 77.04 | - | 1.425 | - | model |
| PP-Liteseg | 量化训练 | 76.93 | - | 1.158 | config | model |
| HRNet | Baseline | 78.97 | - | 8.188 | - | model |
| HRNet | 量化训练 | 78.90 | - | 5.812 | config | model |
| UNet | Baseline | 65.00 | - | 15.291 | - | model |
| UNet | 量化训练 | 64.93 | - | 10.228 | config | model |
| Deeplabv3-ResNet50 | Baseline | 79.90 | - | 12.766 | - | model |
| Deeplabv3-ResNet50 | 量化训练 | 79.26 | - | 8.839 | config | model |
| BiSeNetV2 | Baseline | 73.17 | - | 35.61 | - | model |
| BiSeNetV2 | 量化训练 | 73.20 | - | 15.94 | config | model |
-
ARM CPU测试环境：
高通骁龙710处理器(SDM710 2*A75(2.2GHz) 6*A55(1.7GHz))； -
Nvidia GPU测试环境：
- 硬件：NVIDIA Tesla T4 单卡
- 软件：CUDA 11.0, cuDNN 8.0, TensorRT 8.0
- 测试配置：batch_size: 40
下面将以开源数据集为例介绍如何对PP-HumanSeg-Lite进行自动压缩。
- PaddlePaddle >= 2.4 （可从Paddle官网下载安装）
- PaddleSlim >= 2.4
- PaddleSeg == 2.5.0
安装paddlepaddle：
# CPU
pip install paddlepaddle==2.4.1
# GPU 以Ubuntu、CUDA 11.2为例
python -m pip install paddlepaddle-gpu==2.4.1.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html安装paddleslim：
pip install paddleslim准备paddleslim示例代码：
git clone https://github.com/PaddlePaddle/PaddleSlim.git安装paddleseg 2.5.0
pip install paddleseg==2.5.0注：安装PaddleSeg的目的只是为了直接使用PaddleSeg中的Dataloader组件，不涉及模型组网等。本示例需安装PaddleSeg 2.5.0, 不同版本的PaddleSeg的Dataloader返回数据的格式略有不同.
开发者可下载开源数据集 (如AISegment) 或自定义语义分割数据集。请参考PaddleSeg数据准备文档来检查、对齐数据格式即可。
本示例使用示例开源数据集 AISegment 数据集为例介绍如何对PP-HumanSeg-Lite进行自动压缩。示例数据集仅用于快速跑通自动压缩流程，并不能复现出 benckmark 表中的压缩效果。
可以通过以下命令下载人像分割示例数据:
cd PaddleSlim/example/auto_compression/semantic_segmentation
python ./data/download_data.py mini_humanseg
### 下载后的数据位置为 ./data/humanseg/提示:
-
PP-HumanSeg-Lite压缩过程使用的数据集
-
PP-Liteseg，HRNet，UNet，Deeplabv3-ResNet50数据集
- cityscapes: 请从cityscapes官网下载完整数据
- 示例数据集: cityscapes数据集的一个子集，用于快速跑通压缩和推理流程，不能用该数据集复现 benchmark 表中的压缩效果。下载链接
预测模型的格式为：model.pdmodel 和 model.pdiparams两个，带pdmodel的是模型文件，带pdiparams后缀的是权重文件。
注：其他像__model__和__params__分别对应model.pdmodel 和 model.pdiparams文件。
- 如果想快速体验，可直接下载PP-HumanSeg-Lite 的预测模型：
wget https://bj.bcebos.com/v1/paddlemodels/PaddleSlim/analysis/ppseg_lite_portrait_398x224_with_softmax.tar.gz
tar -xzf ppseg_lite_portrait_398x224_with_softmax.tar.gz也可进入PaddleSeg 中导出所需预测模型。
自动压缩示例通过run.py脚本启动，会使用接口 paddleslim.auto_compression.AutoCompression 对模型进行自动压缩。首先要配置config文件中模型路径、数据集路径、蒸馏、量化、稀疏化和训练等部分的参数，配置完成后便可对模型进行非结构化稀疏、蒸馏和量化、蒸馏。
当只设置训练参数，并在config文件中 Global 配置中传入 deploy_hardware 字段时，将自动搜索压缩策略进行压缩。以骁龙710（SD710）为部署硬件，进行自动压缩的运行命令如下：
# 单卡启动
export CUDA_VISIBLE_DEVICES=0
python run.py --config_path='./configs/pp_humanseg/pp_humanseg_auto.yaml' --save_dir='./save_compressed_model'
# 多卡启动
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch run.py --config_path='./configs/pp_humanseg/pp_humanseg_auto.yaml' --save_dir='./save_compressed_model'- 自行配置稀疏参数进行非结构化稀疏和蒸馏训练，配置参数含义详见自动压缩超参文档。具体命令如下所示：
# 单卡启动
export CUDA_VISIBLE_DEVICES=0
python run.py --config_path='./configs/pp_humanseg/pp_humanseg_sparse.yaml' --save_dir='./save_sparse_model'
# 多卡启动
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch run.py --config_path='./configs/pp_humanseg/pp_humanseg_sparse.yaml' --save_dir='./save_sparse_model'- 自行配置量化参数进行量化和蒸馏训练，配置参数含义详见自动压缩超参文档。具体命令如下所示：
# 单卡启动
export CUDA_VISIBLE_DEVICES=0
python run.py --config_path='./configs/pp_humanseg/pp_humanseg_qat.yaml' --save_dir='./save_quant_model'
# 多卡启动
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch run.py --config_path='./configs/pp_humanseg/pp_humanseg_qat.yaml' --save_dir='./save_quant_model'压缩完成后会在save_dir中产出压缩好的预测模型，可直接预测部署。
量化模型在GPU上可以使用TensorRT进行加速，在CPU上可以使用MKLDNN进行加速。
以下字段用于配置预测参数：
| 参数名 | 含义 |
|---|---|
| model_path | inference 模型文件所在目录，该目录下需要有文件 .pdmodel 和 .pdiparams 两个文件 |
| model_filename | inference_model_dir文件夹下的模型文件名称 |
| params_filename | inference_model_dir文件夹下的参数文件名称 |
| dataset | 选择数据集的类型，可选：human, cityscape。 |
| dataset_config | 数据集配置的config |
| image_file | 待测试单张图片的路径，如果设置image_file，则dataset_config将无效。 |
| device | 预测时的设备，可选：CPU, GPU。 |
| use_trt | 是否使用 TesorRT 预测引擎，在device为GPU时生效。 |
| use_mkldnn | 是否启用MKL-DNN加速库，注意use_mkldnn，在device为CPU时生效。 |
| cpu_threads | CPU预测时，使用CPU线程数量，默认10 |
| precision | 预测时精度，可选：fp32, fp16, int8。 |
- TensorRT预测：
环境配置：如果使用 TesorRT 预测引擎，需安装 WITH_TRT=ON 的Paddle，下载地址：Python预测库
准备好预测模型，并且修改dataset_config中数据集路径为正确的路径后，启动测试：
python paddle_inference_eval.py \
--model_path=pp_liteseg_qat \
--dataset='cityscape' \
--dataset_config=configs/dataset/cityscapes_1024x512_scale1.0.yml \
--use_trt=True \
--precision=int8- MKLDNN预测：
python paddle_inference_eval.py \
--model_path=pp_liteseg_qat \
--dataset='cityscape' \
--dataset_config=configs/dataset/cityscapes_1024x512_scale1.0.yml \
--device=CPU \
--use_mkldnn=True \
--precision=int8 \
--cpu_threads=10利用人像分割测试单张图片：
python paddle_inference_eval.py \
--model_path=pp_humanseg_qat \
--dataset='human' \
--image_file=./data/human_demo.jpg \
--use_trt=True \
--precision=int8| 原始图片 |
|
| FP32推理结果 |
|
| Int8推理结果 |
|