fix bugs and update readme for ppshitu_lite

deploy/lite_shitu/README.md

@@ -75,113 +75,24 @@ inference_lite_lib.android.armv8/
 
 ## 2 开始运行
 
-### 2.1 模型优化
+### 2.1 模型准备
 
-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 安装paddle_lite_opt工具
-安装`paddle_lite_opt`工具有如下两种方法：
-1. [**建议**]pip安装paddlelite并进行转换
-    ```shell
-    pip install paddlelite==2.10rc
-    ```
-
-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：
-    ```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
-    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；
-    ```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。
-
-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|
-
-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](https://paddle-lite.readthedocs.io/zh/latest/user_guides/opt/opt_bin.html)
-
-`--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。
-
-
-#### 2.1.3 转换示例
-
-下面介绍使用`paddle_lite_opt`完成主体检测模型和识别模型的预训练模型，转成inference模型，最终转换成Paddle-Lite的优化模型的过程。
-
-##### 2.1.3.1 转换主体检测模型
+#### 2.1.1 模型准备
 
 ```shell
-# 当前目录为 $PaddleClas/deploy/lite_shitu
-# $code_path需替换成相应的运行目录,可以根据需要，将$code_path设置成需要的目录
-export $code_path=~
-cd $code_path
-git clone https://github.com/PaddlePaddle/PaddleDetection.git
-# 进入PaddleDetection根目录
-cd PaddleDetection
-
-# 将预训练模型导出为inference模型
-python tools/export_model.py -c configs/picodet/application/mainbody_detection/picodet_lcnet_x2_5_640_mainbody.yml -o weights=https://paddledet.bj.bcebos.com/models/picodet_lcnet_x2_5_640_mainbody.pdparams  --output_dir=inference
-
-# 将inference模型转化为Paddle-Lite优化模型
-paddle_lite_opt --model_file=inference/picodet_lcnet_x2_5_640_mainbody/model.pdmodel --param_file=inference/picodet_lcnet_x2_5_640_mainbody/model.pdiparams --optimize_out=inference/picodet_lcnet_x2_5_640_mainbody/mainbody_det
-
-# 将转好的模型复制到lite_shitu目录下
+# 进入lite_ppshitu目录
 cd $PaddleClas/deploy/lite_shitu
-mkdir models
-cp $code_path/PaddleDetection/inference/picodet_lcnet_x2_5_640_mainbody/mainbody_det.nb $PaddleClas/deploy/lite_shitu/models
-```
-
-##### 2.1.3.2 转换识别模型
-
-```shell
-# 转换inference model
-待补充,生成的inference model存储在PaddleClas/inference下，同时生成label.txt，也存在此文件夹下
-
-# 转换为Paddle-Lite模型
-paddle_lite_opt --model_file=inference/inference.pdmodel --param_file=inference/inference.pdiparams --optimize_out=inference/rec
-
-# 将模型、label文件拷贝到lite_shitu下
-cp inference/rec.nb deploy/lite_shitu/models/
-cp inference/label.txt deploy/lite_shitu/models/
-cd deploy/lite_shitu
+wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/lite/ppshitu_lite_models_v1.0.tar
+tar -xf ppshitu_lite_models_v1.0.tar
+rm -f ppshitu_lite_models_v1.0.tar
 ```
 
-**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。
-
-##### 2.1.3.3 准备测试图像
-
-```shell
-mkdir images
-# 根据需要准备测试图像，可以在images文件夹中存放多张图像
-cp ../images/wangzai.jpg images/
-```
-
-
-
-##### 2.1.3.4 将yaml文件转换成json文件
+#### 2.1.2将yaml文件转换成json文件
 
 ```shell
 # 如果测试单张图像
-python generate_json_config.py --det_model_path models/mainbody_det.nb  --rec_model_path models/rec.nb --rec_label_path models/label.txt --img_path images/wangzai.jpg
+python generate_json_config.py --det_model_path ppshitu_lite_models_v1.0/mainbody_PPLCNet_x2_5_640_v1.0_lite.nb  --rec_model_path ppshitu_lite_models_v1.0/general_PPLCNet_x2_5_quant_v1.0_lite.nb --rec_label_path ppshitu_lite_models_v1.0/label.txt --img_path images/demo.jpg
 # or
 # 如果测试多张图像
 python generate_json_config.py --det_model_path models/mainbody_det.nb  --rec_model_path models/rec.nb --rec_label_path models/label.txt --img_dir images
@@ -225,12 +136,11 @@ List of devices attached
 
 ```shell
 cd $PaddleClas/deploy/lite_shitu
-
-inference_lite_path=/{lite prediction library path}/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/
+# ${lite prediction library path}下载的Paddle-Lite库路径
+inference_lite_path=${lite prediction library path}/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/
 mkdir $inference_lite_path/demo/cxx/ppshitu_lite
 
-cp -r Makefile src/ include/ *.json models/ images/ $inference_lite_path/demo/cxx/ppshitu_lite
-
+cp -r * $inference_lite_path/demo/cxx/ppshitu_lite
 cd $inference_lite_path/demo/cxx/ppshitu_lite
 
 # 执行编译，等待完成后得到可执行文件main
@@ -242,28 +152,29 @@ make ARM_ABI=arm8
 
 ```shell
 mkdir deploy
-mv models deploy/
+mv ppshitu_lite_models_v1.0 deploy/
 mv images deploy/
+mv shitu_config.json deploy/
 cp pp_shitu deploy/
-cd deploy
 
 # 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 ./
+cp ../../../cxx/lib/libpaddle_light_api_shared.so deploy/
 ```
 
 执行完成后，deploy文件夹下将有如下文件格式：
 
-```
+```shell
 deploy/
-|-- models/
-|   |--mainbody_det.nb             优化后的主体检测模型文件
-|   |--rec.nb             				 优化后的识别模型文件
-|   |--label.txt                   识别模型的label文件
+|-- ppshitu_lite_models_v1.0/
+|   |--mainbody_PPLCNet_x2_5_640_v1.0_lite.nb        优化后的主体检测模型文件
+|   |--general_PPLCNet_x2_5_quant_v1.0_lite.nb       优化后的识别模型文件
+|   |--label.txt                                     识别模型的label文件
 |-- images/
-|   ...                            图片文件
-|-- pp_shitu                       生成的移动端执行文件
-|-- shitu_config.json              执行时参数配置文件
-|-- libpaddle_light_api_shared.so  Paddle-Lite库文件
+|   |--demo.jpg                                      图片文件
+|   ...                                              图片文件
+|-- pp_shitu                                         生成的移动端执行文件
+|-- shitu_config.json                                执行时参数配置文件
+|-- libpaddle_light_api_shared.so                    Paddle-Lite库文件
 ```
 
 **注意：**

deploy/lite_shitu/src/main.cc

@@ -141,6 +141,11 @@ int main(int argc, char **argv) {
     std::cout << "Please set [det_model_path] in " << config_path << std::endl;
     return -1;
   }
+
+  if (!RT_Config["Global"]["infer_imgs_dir"].as<std::string>().empty() &&
+      img_dir.empty()) {
+    img_dir = RT_Config["Global"]["infer_imgs_dir"].as<std::string>();
+  }
   if (RT_Config["Global"]["infer_imgs"].as<std::string>().empty() &&
       img_dir.empty()) {
     std::cout << "Please set [infer_imgs] in " << config_path
@@ -148,12 +153,6 @@ int main(int argc, char **argv) {
               << " [image_dir]>" << std::endl;
     return -1;
   }
-  if (!img_dir.empty()) {
-    std::cout << "Use image_dir in command line overide the path in config file"
-              << std::endl;
-    RT_Config["Global"]["infer_imgs_dir"] = img_dir;
-    RT_Config["Global"]["infer_imgs"] = "";
-  }
   // Load model and create a object detector
   PPShiTu::ObjectDetector det(
       RT_Config, RT_Config["Global"]["det_model_path"].as<std::string>(),
@@ -167,7 +166,7 @@ int main(int argc, char **argv) {
   std::vector<cv::Mat> batch_imgs;
   double rec_time;
   if (!RT_Config["Global"]["infer_imgs"].as<std::string>().empty() ||
-      !RT_Config["Global"]["infer_imgs_dir"].as<std::string>().empty()) {
+      !img_dir.empty()) {
     std::vector<std::string> all_img_paths;
     std::vector<cv::String> cv_all_img_paths;
     if (!RT_Config["Global"]["infer_imgs"].as<std::string>().empty()) {
@@ -179,7 +178,7 @@ int main(int argc, char **argv) {
         return -1;
       }
     } else {
-      cv::glob(RT_Config["Global"]["infer_imgs_dir"].as<std::string>(),
+      cv::glob(img_dir,
                cv_all_img_paths);
       for (const auto &img_path : cv_all_img_paths) {
         all_img_paths.push_back(img_path);