# 测试方法 本文将会介绍，在**Ubuntu:16.04交叉编译环境**下，用安卓手机在终端测试Paddle-Lite的性能，并介绍两种Benchmark方法： 1. **一键Benchmark**：适用于想快速获得常见模型性能的用户，下载预编译好的benchmark可执行文件； 2. **逐步Benchmark**：将**一键Benchmark**流程拆解讲解。 ## 环境准备 1. 准备[adb](https://developer.android.com/studio/command-line/adb)等必备软件： ```shell sudo apt update sudo apt install -y wget adb ``` 2. 检查手机与电脑连接。安卓手机USB连上电脑，打开设置 -> 开启开发者模式 -> 开启USB调试 -> 允许（授权）当前电脑调试手机； 3. 在电脑终端输入`adb devices`命令，查看当前连接到的设备： ```shell adb devices ``` 命令成功执行，显示结果类似下面（序列码略有不同）： ```shell List of devices attached 712QSDSEMMS7C device ``` ## 一. 一键Benchmark 执行以下命令，完成Benchmark： ```shell wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/run_benchmark.sh sh run_benchmark.sh ``` 该`run_benchmark.sh`脚本会： 1. 下载模型，并上传手机：包含mobilenetv1/v2、shufflenetv2、squeezenetv1.1、mnasnet； 2. 下载pre-built android-armv7和android-armv8的可执行文件，并上传手机：`benchmark_bin_v7`和`benchmark_bin_v8`； 3. 自动执行另一个脚本`benchmark.sh`（多台手机连接USB，请在`benchmark.sh`脚本中对`adb`命令后加上测试手机的`serial number`）； 4. 从手机下载benchmark结果`result_armv7.txt`和`result_armv8.txt`，到当前目录，并显示Benchmark结果。 ## 二. 逐步Benchmark ### 1. 获取benchmark可执行文件 benchmark_bin文件可以测试PaddleLite的性能，有下面两种方式获得。 #### 方式一：下载benchmark_bin可执行文件 ```shell # Download benchmark_bin for android-armv7 wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/benchmark_bin_v7 # Download benchmark_bin for android-armv8 wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/benchmark_bin_v8 ``` #### 方式二：由源码编译benchmark_bin文件 根据[源码编译](../user_guides/source_compile)准备编译环境，拉取PaddleLite最新release发布版代码，并在仓库根目录下，执行： ```shell ########################################### # Build benchmark_bin for android-armv7 # ########################################### ./lite/tools/ci_build.sh \ --arm_os="android" \ --arm_abi="armv7" \ --arm_lang="gcc " \ build_arm # `benchmark_bin` 在: /build.lite.android.armv7.gcc/lite/api/benchmark_bin ########################################### # Build benchmark_bin for android-armv8 # ########################################### ./lite/tools/ci_build.sh \ --arm_os="android" \ --arm_abi="armv8" \ --arm_lang="gcc " \ build_arm # `benchmark_bin` 在: /build.lite.android.armv8.gcc/lite/api/benchmark_bin ``` > **注意**：为了避免在docker内部访问不到手机的问题，建议编译得到benchmark_bin后退出到docker外面，并且将benchmark_bin文件拷贝到一个临时目录。然后在该临时目录下，按照下面步骤下载模型、拷贝脚本、测试。 ### 2. 准备模型 PaddleLite为Benchmark准备好了[常见Benchmark模型](https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/benchmark_models.tgz)。 执行以下命令，下载常见Benchmark模型并解压： ```shell wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/benchmark_models.tgz tar zxvf benchmark_models.tgz ``` 如果测试其他模型，请将模型文件放到 `benchmark_models` 文件夹中。 ### 3. benchmark.sh脚本 benchmark测试的执行脚本`benchmark.sh` 位于源码中的`/PaddleLite/lite/tools/benchmark.sh`位置，测试时需要将`benchmark.sh`、 `benchmark_bin` 、 `benchmark_models` 文件复制到同一目录下。 ### 4. 测试 从终端进入benchmark.sh、可执行文件（benchmark_bin_v7、benchmark_bin_v8）和模型文件（benchmark_models）所在文件夹。 如果 `benchmark_models` 中所有模型文件都已经使用 `model_optimize_tool` 进行转换，则使用 benchmark.sh 脚本执行如下命令进行测试： ```shell # Benchmark for android-armv7 sh benchmark.sh ./benchmark_bin_v7 ./benchmark_models result_armv7.txt # Benchmark for android-armv8 sh benchmark.sh ./benchmark_bin_v8 ./benchmark_models result_armv8.txt ``` 如果 `benchmark_models` 中所有模型文件都没有使用 `model_optimize_tool` 进行转换，则执行下面的命令。`benchmark_bin` 会首先转换模型，然后加载模型进行测试。 ```shell # Benchmark for android-armv7 sh benchmark.sh ./benchmark_bin_v7 ./benchmark_models result_armv7.txt true # Benchmark for android-armv8 sh benchmark.sh ./benchmark_bin_v8 ./benchmark_models result_armv8.txt true ``` 测试结束后，armv7和armv8的结果，分别保存在当前目录下的`result_armv7.txt`和`result_armv8.txt`文件中。 **查看测试结果** 在当前目录的`result_armv7.txt`和`result_armv8.txt`文件，查看测试结果。 > 不同手机，不同版本，测试模型的性能数据不同。 ```shell run benchmark armv8 -------------------------------------- PaddleLite Benchmark Threads=1 Warmup=10 Repeats=30 mnasnet min = 19.83500 max = 19.38500 average = 19.65503 mobilenetv1 min = 32.00600 max = 31.56900 average = 31.81983 mobilenetv2 min = 22.37900 max = 22.08700 average = 22.28623 shufflenetv2 min = 10.80400 max = 10.62900 average = 10.68890 squeezenet min = 17.67400 max = 17.47900 average = 17.57677 Threads=2 Warmup=10 Repeats=30 mnasnet min = 11.85600 max = 11.72000 average = 11.77127 mobilenetv1 min = 18.75000 max = 18.64300 average = 18.70593 mobilenetv2 min = 14.05100 max = 13.59900 average = 13.71450 shufflenetv2 min = 6.67200 max = 6.58300 average = 6.63400 squeezenet min = 12.07100 max = 11.33400 average = 11.41253 Threads=4 Warmup=10 Repeats=30 mnasnet min = 7.19300 max = 7.02600 average = 7.08480 mobilenetv1 min = 10.42000 max = 10.29100 average = 10.34267 mobilenetv2 min = 8.61900 max = 8.46900 average = 8.54707 shufflenetv2 min = 4.55200 max = 4.41900 average = 4.46477 squeezenet min = 8.60000 max = 7.85200 average = 7.98407 -------------------------------------- run benchmark armv7 -------------------------------------- PaddleLite Benchmark Threads=1 Warmup=10 Repeats=30 mnasnet min = 20.98300 max = 20.81400 average = 20.92527 mobilenetv1 min = 33.19000 max = 32.81700 average = 33.08490 mobilenetv2 min = 25.91400 max = 25.61700 average = 25.73097 shufflenetv2 min = 11.14300 max = 10.97600 average = 11.06757 squeezenet min = 19.31800 max = 19.20000 average = 19.26530 Threads=2 Warmup=10 Repeats=30 mnasnet min = 12.59900 max = 12.46600 average = 12.52207 mobilenetv1 min = 19.05800 max = 18.94700 average = 18.97897 mobilenetv2 min = 15.28400 max = 15.11300 average = 15.19843 shufflenetv2 min = 6.97000 max = 6.81400 average = 6.90863 squeezenet min = 12.87900 max = 12.12900 average = 12.22530 Threads=4 Warmup=10 Repeats=30 mnasnet min = 7.31400 max = 7.12900 average = 7.20357 mobilenetv1 min = 11.44000 max = 10.86900 average = 10.94383 mobilenetv2 min = 9.14900 max = 9.03800 average = 9.09907 shufflenetv2 min = 4.60600 max = 4.49400 average = 4.53360 squeezenet min = 8.27000 max = 8.10600 average = 8.19000 -------------------------------------- ```