readme.md 14.6 KB
Newer Older
D
dyning 已提交
1
# 端侧部署
L
LDOUBLEV 已提交
2

G
grasswolfs 已提交
3 4 5
本教程将介绍基于[Paddle Lite](https://github.com/PaddlePaddle/Paddle-Lite) 在移动端部署PaddleOCR超轻量中文检测、识别模型的详细步骤。

Paddle Lite是飞桨轻量化推理引擎,为手机、IOT端提供高效推理能力,并广泛整合跨平台硬件,为端侧部署及应用落地问题提供轻量化的部署方案。
L
LDOUBLEV 已提交
6 7 8 9


## 1. 准备环境

L
LDOUBLEV 已提交
10
### 运行准备
G
grasswolfs 已提交
11
- 电脑(编译Paddle Lite)
L
LDOUBLEV 已提交
12 13
- 安卓手机(armv7或armv8)

L
LDOUBLEV 已提交
14
### 1.1 准备交叉编译环境
G
grasswolfs 已提交
15
交叉编译环境用于编译 Paddle Lite 和 PaddleOCR 的C++ demo。
L
LDOUBLEV 已提交
16
支持多种开发环境,不同开发环境的编译流程请参考对应文档。
G
grasswolfs 已提交
17

L
LDOUBLEV 已提交
18 19 20
1. [Docker](https://paddle-lite.readthedocs.io/zh/latest/source_compile/compile_env.html#docker)
2. [Linux](https://paddle-lite.readthedocs.io/zh/latest/source_compile/compile_env.html#linux)
3. [MAC OS](https://paddle-lite.readthedocs.io/zh/latest/source_compile/compile_env.html#mac-os)
L
LDOUBLEV 已提交
21

L
LDOUBLEV 已提交
22
### 1.2 准备预测库
L
LDOUBLEV 已提交
23

L
LDOUBLEV 已提交
24
预测库有两种获取方式:
L
LDOUBLEV 已提交
25 26 27 28 29 30
- 1. 直接下载,预测库下载链接如下:
      |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)|
      |IOS|[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)|

L
LDOUBLEV 已提交
31 32
      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。
L
LDOUBLEV 已提交
33

L
LDOUBLEV 已提交
34
- 2. [建议]编译Paddle-Lite得到预测库,Paddle-Lite的编译方式如下:
L
LDOUBLEV 已提交
35 36 37
```
git clone https://github.com/PaddlePaddle/Paddle-Lite.git
cd Paddle-Lite
L
LDOUBLEV 已提交
38
# 务必使用develop分支编译预测库
L
LDOUBLEV 已提交
39
git checkout develop
L
LDOUBLEV 已提交
40 41 42
./lite/tools/build_android.sh  --arch=armv8  --with_cv=ON --with_extra=ON
```

L
LDOUBLEV 已提交
43
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,
L
LDOUBLEV 已提交
44 45 46
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)

L
LDOUBLEV 已提交
47
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
L
LDOUBLEV 已提交
48
`Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/`文件夹下。
L
LDOUBLEV 已提交
49
预测库的文件目录如下:
L
LDOUBLEV 已提交
50 51
```
inference_lite_lib.android.armv8/
L
LDOUBLEV 已提交
52
|-- cxx                                        C++ 预测库和头文件
L
LDOUBLEV 已提交
53 54 55 56 57 58 59 60
|   |-- include                                C++ 头文件
|   |   |-- paddle_api.h
|   |   |-- paddle_image_preprocess.h
|   |   |-- paddle_lite_factory_helper.h
|   |   |-- paddle_place.h
|   |   |-- paddle_use_kernels.h
|   |   |-- paddle_use_ops.h
|   |   `-- paddle_use_passes.h
L
LDOUBLEV 已提交
61
|   `-- lib                                           C++预测库
L
LDOUBLEV 已提交
62 63
|       |-- libpaddle_api_light_bundled.a             C++静态库
|       `-- libpaddle_light_api_shared.so             C++动态库
L
LDOUBLEV 已提交
64
|-- java                                     Java预测库
L
LDOUBLEV 已提交
65 66 67 68 69
|   |-- jar
|   |   `-- PaddlePredictor.jar
|   |-- so
|   |   `-- libpaddle_lite_jni.so
|   `-- src
L
LDOUBLEV 已提交
70
|-- demo                                     C++和Java示例代码
L
LDOUBLEV 已提交
71 72 73 74 75 76 77 78
|   |-- cxx                                  C++  预测库demo
|   `-- java                                 Java 预测库demo
```

## 2 开始运行

### 2.1 模型优化

L
LDOUBLEV 已提交
79 80 81
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。

L
opt doc  
LDOUBLEV 已提交
82 83 84
如果已经准备好了 `.nb` 结尾的模型文件,可以跳过此步骤。

下述表格中也提供了一系列中文移动端模型:
L
LDOUBLEV 已提交
85

L
LDOUBLEV 已提交
86 87
|模型版本|模型简介|模型大小|检测模型|文本方向分类模型|识别模型|Paddle-Lite版本|
|-|-|-|-|-|-|-|
L
LDOUBLEV 已提交
88 89 90
|V1.1|超轻量中文OCR 移动端模型|8.1M|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.1_det_opt.nb)|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.1_cls_opt.nb)|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.1_rec_opt.nb)|develop|
|【slim】V1.1|超轻量中文OCR 移动端模型|3.5M|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.1_det_prune_opt.nb)|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.1_cls_quant_opt.nb)|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.1_rec_quant_opt.nb)|develop|
|V1.0|轻量级中文OCR 移动端模型|8.6M|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.0_det_opt.nb)|---|[下载地址](https://paddleocr.bj.bcebos.com/20-09-22/mobile/lite/ch_ppocr_mobile_v1.0_rec_opt.nb)|develop|
L
LDOUBLEV 已提交
91 92

注意:V1.1 3.0M 轻量模型是使用PaddleSlim优化后的,需要配合Paddle-Lite最新预测库使用。
L
LDOUBLEV 已提交
93

D
dyning 已提交
94
如果直接使用上述表格中的模型进行部署,可略过下述步骤,直接阅读 [2.2节](#2.2与手机联调)
L
LDOUBLEV 已提交
95 96

如果要部署的模型不在上述表格中,则需要按照如下步骤获得优化后的模型。
L
LDOUBLEV 已提交
97

L
LDOUBLEV 已提交
98
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:
L
LDOUBLEV 已提交
99
```
L
LDOUBLEV 已提交
100
# 如果准备环境时已经clone了Paddle-Lite,则不用重新clone Paddle-Lite
L
LDOUBLEV 已提交
101 102
git clone https://github.com/PaddlePaddle/Paddle-Lite.git
cd Paddle-Lite
L
LDOUBLEV 已提交
103
git checkout develop
L
LDOUBLEV 已提交
104 105 106 107
# 启动编译
./lite/tools/build.sh build_optimize_tool
```

L
LDOUBLEV 已提交
108
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;
L
LDOUBLEV 已提交
109 110 111 112 113 114
```
cd build.opt/lite/api/
./opt
```

|选项|说明|
L
LDOUBLEV 已提交
115
|-|-|
L
LDOUBLEV 已提交
116 117 118 119 120 121 122 123
|--model_dir|待优化的PaddlePaddle模型(非combined形式)的路径|
|--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。若您需要在mobile端执行模型预测,请将此选项设置为naive_buffer。默认为protobuf|
|--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|
|--record_tailoring_info|当使用 根据模型裁剪库文件 功能时,则设置该选项为true,以记录优化后模型含有的kernel和OP信息,默认为false|

L
LDOUBLEV 已提交
124
`--model_dir`适用于待优化的模型是非combined方式,PaddleOCR的inference模型是combined方式,即模型结构和模型参数使用单独一个文件存储。
L
LDOUBLEV 已提交
125 126 127 128

下面以PaddleOCR的超轻量中文模型为例,介绍使用编译好的opt文件完成inference模型到Paddle-Lite优化模型的转换。

```
L
LDOUBLEV 已提交
129
# 【推荐】 下载PaddleOCR V1.1版本的中英文 inference模型,V1.1比1.0效果更好,模型更小
L
LDOUBLEV 已提交
130 131 132 133 134 135 136 137
wget  https://paddleocr.bj.bcebos.com/20-09-22/mobile-slim/det/ch_ppocr_mobile_v1.1_det_prune_infer.tar && tar xf  ch_ppocr_mobile_v1.1_det_prune_infer.tar
wget  https://paddleocr.bj.bcebos.com/20-09-22/mobile-slim/rec/ch_ppocr_mobile_v1.1_rec_quant_infer.tar && tar xf  ch_ppocr_mobile_v1.1_rec_quant_infer.tar
# 转换V1.1检测模型
./opt --model_file=./ch_ppocr_mobile_v1.1_det_prune_infer/model  --param_file=./ch_ppocr_mobile_v1.1_det_prune_infer/params  --optimize_out=./ch_ppocr_mobile_v1.1_det_prune_opt --valid_targets=arm
# 转换V1.1识别模型
./opt --model_file=./ch_ppocr_mobile_v1.1_rec_quant_infer/model  --param_file=./ch_ppocr_mobile_v1.1_rec_quant_infer/params  --optimize_out=./ch_ppocr_mobile_v1.1_rec_quant_opt --valid_targets=arm


L
LDOUBLEV 已提交
138
# 或下载使用PaddleOCR的V1.0超轻量中英文 inference模型,解压并转换为移动端支持的模型
L
LDOUBLEV 已提交
139 140
wget  https://paddleocr.bj.bcebos.com/ch_models/ch_det_mv3_db_infer.tar && tar xf ch_det_mv3_db_infer.tar
wget  https://paddleocr.bj.bcebos.com/ch_models/ch_rec_mv3_crnn_infer.tar && tar xf ch_rec_mv3_crnn_infer.tar
L
LDOUBLEV 已提交
141
# 转换V1.0检测模型
L
LDOUBLEV 已提交
142
./opt --model_file=./ch_det_mv3_db/model --param_file=./ch_det_mv3_db/params --optimize_out_type=naive_buffer --optimize_out=./ch_det_mv3_db_opt --valid_targets=arm
L
LDOUBLEV 已提交
143
# 转换V1.0识别模型
L
LDOUBLEV 已提交
144 145 146
./opt --model_file=./ch_rec_mv3_crnn/model --param_file=./ch_rec_mv3_crnn/params --optimize_out_type=naive_buffer --optimize_out=./ch_rec_mv3_crnn_opt --valid_targets=arm
```

L
LDOUBLEV 已提交
147
转换成功后,当前目录下会多出`.nb`结尾的文件,即是转换成功的模型文件。
L
LDOUBLEV 已提交
148

L
LDOUBLEV 已提交
149
注意:使用paddle-lite部署时,需要使用opt工具优化后的模型。 opt 工具的输入模型是paddle保存的inference模型
L
LDOUBLEV 已提交
150

D
dyning 已提交
151
<a name="2.2与手机联调"></a>
L
LDOUBLEV 已提交
152 153 154
### 2.2 与手机联调

首先需要进行一些准备工作。
L
LDOUVLEV 已提交
155
 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`
L
LDOUBLEV 已提交
156
 2. 打开手机的USB调试选项,选择文件传输模式,连接电脑。
L
LDOUBLEV 已提交
157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
 3. 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:
    ```
    brew cask install android-platform-tools
    ```
    3.2. Linux安装ADB
    ```
    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)

    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
    ```
L
LDOUBLEV 已提交
181

L
LDOUBLEV 已提交
182
 4. 准备优化后的模型、预测库文件、测试图像和使用的字典文件。
183 184 185 186 187 188
 ```
 git clone https://github.com/PaddlePaddle/PaddleOCR.git
 cd PaddleOCR/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/ocr文件夹下
 sh prepare.sh /{lite prediction library path}/inference_lite_lib.android.armv8

L
LDOUBLEV 已提交
189
 # 进入OCR demo的工作目录
190
 cd /{lite prediction library path}/inference_lite_lib.android.armv8/
L
LDOUBLEV 已提交
191 192
 cd demo/cxx/ocr/
 # 将C++预测动态库so文件复制到debug文件夹中
L
LDOUBLEV 已提交
193
 cp ../../../cxx/lib/libpaddle_light_api_shared.so ./debug/
194 195
 ```

L
LDOUBLEV 已提交
196
 准备测试图像,以`PaddleOCR/doc/imgs/11.jpg`为例,将测试的图像复制到`demo/cxx/ocr/debug/`文件夹下。
L
LDOUBLEV 已提交
197
 准备lite opt工具优化后的模型文件,比如使用`ch_ppocr_mobile_v1.1_det_prune_opt.nb,ch_ppocr_mobile_v1.1_rec_quant_opt.nb, ch_ppocr_mobile_cls_quant_opt.nb`,模型文件放置在`demo/cxx/ocr/debug/`文件夹下。
L
LDOUVLEV 已提交
198

L
LDOUBLEV 已提交
199
 执行完成后,ocr文件夹下将有如下文件格式:
L
LDOUBLEV 已提交
200 201 202

```
demo/cxx/ocr/
L
LDOUVLEV 已提交
203
|-- debug/  
L
LDOUBLEV 已提交
204 205 206
|   |--ch_ppocr_mobile_v1.1_det_prune_opt.nb           优化后的检测模型文件
|   |--ch_ppocr_mobile_v1.1_rec_quant_opt.nb           优化后的识别模型文件
|   |--ch_ppocr_mobile_cls_quant_opt.nb                优化后的文字方向分类器模型文件
L
LDOUBLEV 已提交
207
|   |--11.jpg                           待测试图像
L
LDOUBLEV 已提交
208
|   |--ppocr_keys_v1.txt                中文字典文件
L
LDOUBLEV 已提交
209
|   |--libpaddle_light_api_shared.so    C++预测库文件
L
update  
LDOUBLEV 已提交
210
|   |--config.txt                       DB-CRNN超参数配置
L
LDOUBLEV 已提交
211 212 213 214 215
|-- config.txt                  DB-CRNN超参数配置
|-- crnn_process.cc             识别模型CRNN的预处理和后处理文件
|-- crnn_process.h
|-- db_post_process.cc          检测模型DB的后处理文件
|-- db_post_process.h
L
LDOUBLEV 已提交
216
|-- Makefile                    编译文件
L
LDOUBLEV 已提交
217
|-- ocr_db_crnn.cc              C++预测源文件
L
LDOUBLEV 已提交
218
```
L
LDOUBLEV 已提交
219

L
LDOUBLEV 已提交
220 221 222 223
#### 注意:
1. ppocr_keys_v1.txt是中文字典文件,如果使用的 nb 模型是英文数字或其他语言的模型,需要更换为对应语言的字典。
PaddleOCR 在ppocr/utils/下存放了多种字典,包括:
```
T
tink2123 已提交
224 225
dict/french_dict.txt     # 法语字典
dict/german_dict.txt     # 德语字典
L
LDOUBLEV 已提交
226
ic15_dict.txt       # 英文字典
T
tink2123 已提交
227 228
dict/japan_dict.txt      # 日语字典
dict/korean_dict.txt     # 韩语字典
L
LDOUBLEV 已提交
229 230 231 232 233 234 235 236 237 238
ppocr_keys_v1.txt   # 中文字典
```

2.  `config.txt` 包含了检测器、分类器的超参数,如下:
```
max_side_len  960         # 输入图像长宽大于960时,等比例缩放图像,使得图像最长边为960
det_db_thresh  0.3        # 用于过滤DB预测的二值化图像,设置为0.-0.3对结果影响不明显
det_db_box_thresh  0.5    # DB后处理过滤box的阈值,如果检测存在漏框情况,可酌情减小
det_db_unclip_ratio  1.6  # 表示文本框的紧致程度,越小则文本框更靠近文本
use_direction_classify  1  # 是否使用方向分类器,0表示不使用,1表示使用
L
LDOUBLEV 已提交
239 240
```

L
LDOUBLEV 已提交
241 242 243
 5. 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:
L
LDOUVLEV 已提交
244

L
LDOUBLEV 已提交
245
 ```
L
LDOUBLEV 已提交
246 247
 # 执行编译,得到可执行文件ocr_db_crnn
 # ocr_db_crnn可执行文件的使用方式为:
L
LDOUBLEV 已提交
248
 # ./ocr_db_crnn  检测模型文件 方向分类器模型文件  识别模型文件  测试图像路径  字典文件路径
L
LDOUBLEV 已提交
249
 make -j
L
LDOUBLEV 已提交
250 251
 # 将编译的可执行文件移动到debug文件夹中
 mv ocr_db_crnn ./debug/
L
LDOUBLEV 已提交
252
 # 将debug文件夹push到手机上
L
LDOUBLEV 已提交
253 254 255 256
 adb push debug /data/local/tmp/
 adb shell
 cd /data/local/tmp/debug
 export LD_LIBRARY_PATH=/data/local/tmp/debug:$LD_LIBRARY_PATH
L
LDOUBLEV 已提交
257
 ./ocr_db_crnn ch_ppocr_mobile_v1.1_det_prune_opt.nb  ch_ppocr_mobile_v1.1_rec_quant_opt.nb  ch_ppocr_mobile_cls_quant_opt.nb  ./11.jpg  ppocr_keys_v1.txt
L
LDOUBLEV 已提交
258
 ```
L
LDOUBLEV 已提交
259

L
LDOUBLEV 已提交
260
 如果对代码做了修改,则需要重新编译并push到手机上。
L
LDOUBLEV 已提交
261 262

 运行效果如下:
D
dyning 已提交
263 264 265 266

<div align="center">
    <img src="../imgs/demo.png" width="600">
</div>
L
add faq  
LDOUBLEV 已提交
267 268 269 270 271 272 273 274 275 276 277


## 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,同时要注意字典更新

Q2:换一个图测试怎么做?
A2:替换debug下的.jpg测试图像为你想要测试的图像,adb push 到手机上即可

Q3:如何封装到手机APP中?
A3:此demo旨在提供能在手机上运行OCR的核心算法部分,PaddleOCR/deploy/android_demo是将这个demo封装到手机app的示例,供参考