Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
PaddlePaddle
PaddleClas
提交
1a031a30
P
PaddleClas
项目概览
PaddlePaddle
/
PaddleClas
接近 2 年 前同步成功
通知
116
Star
4999
Fork
1114
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
19
列表
看板
标记
里程碑
合并请求
6
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
PaddleClas
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
19
Issue
19
列表
看板
标记
里程碑
合并请求
6
合并请求
6
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
提交
1a031a30
编写于
10月 13, 2020
作者:
G
gaotingquan
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Amend Chinese version README about using Paddle-Lite to deploy
上级
c17e679a
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
69 addition
and
55 deletion
+69
-55
deploy/lite/readme.md
deploy/lite/readme.md
+69
-55
未找到文件。
deploy/lite/readme.md
浏览文件 @
1a031a30
...
...
@@ -26,13 +26,13 @@ Paddle Lite是飞桨轻量化推理引擎,为手机、IOT端提供高效推理
|平台|预测库下载链接|
|-|-|
|Android|
[
arm7
](
https://paddlelite-data.bj.bcebos.com/Release/2.6.1/Android/inference_lite_lib.android.armv7.gcc.c++_static.with_extra.CV_ON.tar.gz
)
/
[
arm8
](
https://paddlelite-data.bj.bcebos.com/Release/2.6.1/Android/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.CV_ON.tar.gz
)
|
|
I
OS|
[
arm7
](
https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios.armv7.with_extra.CV_ON.tar.gz
)
/
[
arm8
](
https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios64.armv8.with_extra.CV_ON.tar.gz
)
|
|
i
OS|
[
arm7
](
https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios.armv7.with_extra.CV_ON.tar.gz
)
/
[
arm8
](
https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios64.armv8.with_extra.CV_ON.tar.gz
)
|
注:1. 如果是从
下Paddle-Lite[官网
文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/release_lib.html#android-toolchain-gcc)下载的预测库,
注:1. 如果是从
Paddle-Lite [官方
文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/release_lib.html#android-toolchain-gcc)下载的预测库,
注意选择`with_extra=ON,with_cv=ON`的下载链接。2. 如果使用量化的模型部署在端侧,建议使用Paddle-Lite develop分支编译预测库。
2.
编译Paddle-Lite得到预测库,Paddle-Lite的编译方式如下:
```
```
shell
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
...
...
@@ -40,10 +40,9 @@ git checkout develop
./lite/tools/build_android.sh
--arch
=
armv8
--with_cv
=
ON
--with_extra
=
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
](
https://paddle-lite.readthedocs.io/zh/latest/user_guides/Compile/Android.html#id2
)
。
**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
](
https://paddle-lite.readthedocs.io/zh/latest/user_guides/Compile/Android.html#id2
)
。
直接下载预测库并解压后,可以得到
`inference_lite_lib.android.armv8/`
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。
直接下载预测库并解压后,可以得到
`inference_lite_lib.android.armv8/`
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:
```
...
...
@@ -75,13 +74,13 @@ inference_lite_lib.android.armv8/
### 2.1 模型优化
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,优化后的模型更轻量,模型运行速度更快。有2种方式对inference模型进行优化
。
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,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 [建议]pip安装paddlelite并进行转换
*
python下安装paddlelite
Python下安装
`paddlelite`
,目前最高支持
`Python3.7`
。
```
shell
pip
install
paddlelite
...
...
@@ -104,8 +103,8 @@ pip install paddlelite
#### 2.1.2 源码编译Paddle-Lite生成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:
```
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:
```
shell
# 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
...
...
@@ -114,130 +113,145 @@ git checkout develop
./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;
```
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;
```
shell
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。
<a
name=
"2.1.3"
></a>
#### 2.1.3 转换示例
下面以PaddleClas的
`MobileNetV3_large_x1_0`
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。
下面以PaddleClas的
`MobileNetV3_large_x1_0`
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。
```
shell
# 进入PaddleClas根目录
cd
PaddleClas_root_path
export
PYTHONPATH
=
$PWD
# 下载并解压预训练模型
wget https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV3_large_x1_0_pretrained.tar
tar
-xf
MobileNetV3_large_x1_0_pretrained
tar
-xf
MobileNetV3_large_x1_0_pretrained.tar
# 将预训练模型导出为inference模型
python tools/export_model.py
-m
MobileNetV3_large_x1_0
-p
./MobileNetV3_large_x1_0_pretrained/
-o
./MobileNetV3_large_x1_0_inference/
# 将inference模型转化为Paddle-Lite优化模型
paddle_lite_opt
--model_file
=
./MobileNetV3_large_x1_0_inference/model
--param_file
=
./MobileNetV3_large_x1_0_inference/params
--optimize_out
=
./MobileNetV3_large_x1_0
```
最终在当前文件夹下生成
`MobileNetV3_large_x1_0.nb`
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。
<a
name=
"2.2与手机联调"
></a>
### 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,如果编译的预测库和opt文件是armv7,则需要arm7的手机,并修改Makefile中
`ARM_ABI = arm7`
。
2.
打开手机的USB调试选项,选择文件传输模式,连接电脑。
3.
电脑上安装adb工具,用于调试。 adb安装方式如下:
2.
电脑上安装ADB工具,用于调试。 ADB安装方式如下:
3.1. MAC电脑安装ADB:
```
```shell
brew cask install android-platform-tools
```
3.2. Linux安装ADB
```
```
shell
sudo apt update
sudo apt install -y wget adb
```
3.3. 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](https://developer.android.com/studio)
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](https://developer.android.com/studio)
打开终端,手机连接电脑,在终端中输入
```
adb devices
```
如果有device输出,则表示安装成功。
```
List of devices attached
744be294 device
```
4.
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:
4.
准备优化后的模型、预测库文件、测试图像和类别映射文件。
```
shell
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
```
5.
准备优化后的模型、预测库文件、测试图像和类别映射文件。
```
shell
cd
PaddleClas_root_path
cd
deploy/lite/
# 运行prepare.sh,准备预测库文件、测试图像和使用的字典文件,并放置在预测库中的demo/cxx/clas文件夹下
# 运行prepare.sh
# prepare.sh 会将预测库文件、测试图像和使用的字典文件放置在预测库中的demo/cxx/clas文件夹下
sh prepare.sh /
{
lite prediction library path
}
/inference_lite_lib.android.armv8
# 进入lite demo的工作目录
cd
/
{
lite prediction library path
}
/inference_lite_lib.android.armv8/
cd
demo/cxx/clas/
# 将C++预测动态库so文件复制到debug文件夹中
cp
../../../cxx/lib/libpaddle_light_api_shared.so ./debug/
```
准备测试图像,以
`PaddleClas/deploy/lite/imgs/tabby_cat.jpg`
为例,将测试的图像复制到
`demo/cxx/clas/debug/`
文件夹下。
准备
`paddle_lite_opt`
工具优化后的模型文件,比如使用
`MobileNetV3_large_x1_0.nb`
,模型文件放置在
`demo/cxx/clas/debug/`
文件夹下
。
`prepare.sh`
以
`PaddleClas/deploy/lite/imgs/tabby_cat.jpg`
作为测试图像,将测试图像复制到
`demo/cxx/clas/debug/`
文件夹下。
将
`paddle_lite_opt`
工具优化后的模型文件放置到
`/{lite prediction library path}/inference_lite_lib.android.armv8/demo/cxx/clas/debug/`
文件夹下。本例中,使用
[
2.1.3
](
#2.1.3
)
生成的
`MobileNetV3_large_x1_0.nb`
模型文件
。
执行完成后,clas文件夹下将有如下文件格式:
执行完成后,clas文件夹下将有如下文件格式:
```
shell
```
demo/cxx/clas/
|-- debug/
| |--MobileNetV3_large_x1_0.nb 优化后的
文字方向
分类器模型文件
| |--tabby_cat.jpg 待测试图像
| |--MobileNetV3_large_x1_0.nb 优化后的分类器模型文件
| |--tabby_cat.jpg
待测试图像
| |--imagenet1k_label_list.txt 类别映射文件
| |--libpaddle_light_api_shared.so C++预测库文件
| |--config.txt 分类预测超参数配置
|-- config.txt 分类预测超参数配置
|-- image_classfication.cpp 图像分类代码文件
|-- Makefile 编译文件
|-- config.txt
分类预测超参数配置
|-- image_classfication.cpp
图像分类代码文件
|-- Makefile
编译文件
```
#### 注意:
1.
`imagenet1k_label_list.txt`
是ImageNet1k数据集的类别映射文件,如果是
自定义的类别,需要更换该类别映射文件。
*
上述文件中,
`imagenet1k_label_list.txt`
是ImageNet1k数据集的类别映射文件,如果使用
自定义的类别,需要更换该类别映射文件。
2.
`config.txt`
包含了检测器、分类器的超参数,如下:
```
*
`config.txt`
包含了分类器的超参数,如下:
```
shell
clas_model_file ./MobileNetV3_large_x1_0.nb
# 模型文件地址
label_path ./imagenet1k_label_list.txt # 类别映射文本文件
label_path ./imagenet1k_label_list.txt
# 类别映射文本文件
resize_short_size 256
# resize之后的短边边长
crop_size 224 # 裁剪后用于预测的边长
crop_size 224
# 裁剪后用于预测的边长
visualize 0
# 是否进行可视化,如果选择的话,会在当前文件夹下生成名为clas_result.png的图像文件。
```
3.
启动调试:上述步骤完成后就可以使用adb将文件
push到手机上运行,步骤如下:
5.
启动调试,上述步骤完成后就可以使用ADB将文件夹
`debug/`
push到手机上运行,步骤如下:
```
```
shell
# 执行编译,得到可执行文件clas_system
# clas_system可执行文件的使用方式为:
# ./clas_system 配置文件路径 测试图像路径
make
-j
# 将编译的可执行文件移动到debug文件夹中
# 将编译得到的可执行文件移动到debug文件夹中
mv
clas_system ./debug/
# 将debug文件夹push到手机上
# 将上述debug文件夹push到手机上
adb push debug /data/local/tmp/
adb shell
cd
/data/local/tmp/debug
export
LD_LIBRARY_PATH
=
/data/local/tmp/debug:
$LD_LIBRARY_PATH
# clas_system可执行文件的使用方式为:
# ./clas_system 配置文件路径 测试图像路径
./clas_system ./config.txt ./tabby_cat.jpg
```
```
如果对代码做了修改,则需要重新编译并push到手机上。
如果对代码做了修改,则需要重新编译并push到手机上。
运行效果如下:
运行效果如下:
<div
align=
"center"
>
<img
src=
"./imgs/lite_demo_result.png"
width=
"600"
>
...
...
@@ -246,7 +260,7 @@ export LD_LIBRARY_PATH=/data/local/tmp/debug:$LD_LIBRARY_PATH
## 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`
模型文件即可,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)。
A1:如果已经走通了上述步骤,更换模型只需要替换
`.nb`
模型文件即可,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
debug下的测试图像为你想要测试的图像,adb
push 到手机上即可。
A2:替换
debug 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。
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录