# 简介 [![Build Status](https://travis-ci.org/PaddlePaddle/paddle-mobile.svg?branch=develop&longCache=true&style=flat-square)](https://travis-ci.org/PaddlePaddle/paddle-mobile) [![Documentation Status](https://img.shields.io/badge/中文文档-最新-brightgreen.svg)](https://github.com/PaddlePaddle/paddle-mobile/tree/develop/doc) [![License](https://img.shields.io/badge/license-Apache%202-blue.svg)](LICENSE) Paddle-Mobile是PaddlePaddle组织下的项目，是一个致力于嵌入式平台的深度学习的框架。Paddle-Mobile设计思想和PaddlePaddle的最新版fluid版本保持了高度一致，同时针对嵌入式做了大量优化。设计之初就对嵌入式的性能、体积、能耗、硬件平台覆盖等方面做了考虑。 ## 简单搜索线上效果 如下gif是简单搜索app的线上主体检测应用效果： ![ezgif-1-050a733dfb](http://otkwwi4x8.bkt.clouddn.com/2018-07-05-ezgif-1-050a733dfb.gif) ## Demo目录 [请点击这里查看](https://github.com/PaddlePaddle/paddle-mobile/tree/develop/demo) ## Features - **ARM CPU** |mobilenet arm v7|1线程|2线程|4线程| |------------|----|-----|-----| |麒麟970(ms)|108.180|63.935|37.545| |麒麟960(ms)|108.588|63.073|36.822| |高通845(ms)|85.952|48.890|28.641| |高通835(ms)|105.434|62.752|37.131| ||||| |mobilenetssd arm v7|1线程|2线程|4线程| |麒麟970(ms)|212.686|127.205|77.485| |麒麟960(ms)|212.641|125.338|75.250| |高通845(ms)|182.863|95.671|56.857| |高通835(ms)|213.849|127.717|77.006| ||||| |googlenet(v1) arm v7|1线程|2线程|4线程| |麒麟970(ms)|335.288|234.559|161.295| |麒麟960(ms)|354.443|232.642|157.815| |高通845(ms)|282.007|173.146|122.148| |高通835(ms)|341.250|233.354|158.554| ||||| |squeezenet arm v7|1线程|2线程|4线程| |麒麟970(ms)|83.726|57.944|36.923| |麒麟960(ms)|85.835|55.762|36.496| |高通845(ms)|71.301|41.618|28.785| |高通835(ms)|82.407|56.176|36.455| ||||| |yolo arm v7|1线程|2线程|4线程| |麒麟970(ms)|129.658|79.993|49.969| |麒麟960(ms)|130.208|78.791|48.390| |高通845(ms)|109.244|61.736|40.600| |高通835(ms)|130.402|80.863|50.359| 测试机型信息： 麒麟970:荣耀v10 (2.36GHz * 4 + 1.8GHz * 4) 麒麟960:华为mate9 (2.36GHz * 4 + 1.8GHz * 4) 骁龙835:小米6 (2.45GHz * 4 + 1.9GHz * 4) 骁龙845:OPPO FindX (2.80GHz * 4 + 1.8GHz * 4) - **Mali GPU** Mali GPU是百度和ARM合作开发的，双方团队近期都在致力于将paddle的op能无缝运行在ACL(arm compute library)。目前已经支持squeezenet，googlenet，resnet等几个网络模型，后续会继续加大力度。使全部移动端paddle op能高效运行在mali gpu上。 - **苹果设备的GPU Metal实现** 基于Metal实现的苹果设备的GPU预测库，也已经在实现中，近期也会有相应可运行版本。 - **FPGA** FPGA实现正在进行中，是基于Xilinx的ZU5目标开发板。 - **灵活性** * paddle-mobile cpu版不依赖任何第三库, 可进行快速集成。 * 使用泛型特化进行平台切换, 可灵活切换 cpu、gpu 和其他协处理器。 * 可根据特定的常见网络, 进行编译特定的 op, 降低编译时间, 减小包大小。 * 使用 docker 编译, 提供统一的编译环境。 * 高可拓展性, 方便拓展其他协处理器, 提供高性能 arm 算子实现, 方便其他协处理器开发者集成开发。 * 直接兼容 paddle-fluid 模型, 不需要额外的转换操作。 - **体积** paddle-mobile从设计之初就深入考虑到移动端的包体积的问题，cpu实现中没有外部依赖。在编译过程中，如果该网络不需要的op是完全不会被打入的。同时编译选项优化也为体积压缩提供了帮助。 除了二进制体积，我们对代码体积极力避免过大。整个仓库的代码体积也非常小。 ## 文档 ### 设计文档 关于paddle-mobile设计文档在下面链接中，如果想了解更多内容。[issue](https://github.com/PaddlePaddle/paddle-mobile/issues)中会有很多早期的设计和讨论过程。请点击[这里](https://github.com/PaddlePaddle/paddle-mobile/blob/develop/doc/design_doc.md)阅读设计文档。 ### 开发文档 开发文档主要是关于编译、运行等问题。做为开发者，它可以和贡献文档共同结合使用。请点击[这里](https://github.com/PaddlePaddle/paddle-mobile/blob/develop/doc/development_doc.md)阅读开发文档。 ### 贡献文档 - [贡献文档链接](https://github.com/PaddlePaddle/paddle-mobile/blob/develop/CONTRIBUTING.md) - 上面文档中涵盖了主要的贡献代码流程，如果在实践中您还遇到了其他问题，可以发[issue](https://github.com/PaddlePaddle/paddle-mobile/issues)。我们看到后会尽快处理。 ## 模型获得 目前Paddle-Mobile仅支持Paddle fluid训练的模型。如果你手中的模型是不同种类的模型，需要进行模型转换才可以运行。 ### 1. 直接使用Paddle Fluid训练 该方式最为可靠，推荐方式 ### 2. Caffe转为Paddle Fluid模型 [链接](https://github.com/PaddlePaddle/models/tree/develop/fluid/image_classification/caffe2fluid) ### 3. ONNX ONNX全称为“Open Neural Network Exchange”，即“开放的神经网络切换”。该项目的目的是让不同的神经网络开发框架做到互通互用。 除直接使用PaddlePaddle训练fluid版本的模型外，还可以通过onnx转换得到个别Paddle fluid模型。 目前，百度也在做onnx支持工作。相关转换项目在这里：[paddle-onnx](https://github.com/PaddlePaddle/paddle-onnx)。 ![](http://7xop3k.com1.z0.glb.clouddn.com/15311951836000.jpg) ### 4. 部分测试模型和测试图片下载 [下载链接](http://mms-graph.bj.bcebos.com/paddle-mobile%2FmodelsAndImages.zip) ## 问题解决 欢迎提出或解决我们的问题，有疑问可以发[Issue](https://github.com/PaddlePaddle/paddle-mobile/issues) ## Copyright and License Paddle-Mobile 提供相对宽松的Apache-2.0开源协议 [Apache-2.0 license](LICENSE) ## 旧版 Mobile-Deep-Learning 原MDL(Mobile-Deep-Learning)工程被迁移到了这里 [Mobile-Deep-Learning](https://github.com/allonli/mobile-deep-learning)