Skip to content

Latest commit

 

History

History
234 lines (167 loc) · 7.85 KB

readme.md

File metadata and controls

234 lines (167 loc) · 7.85 KB

服务器端C++预测

本教程将介绍在服务器端部署PaddleClas模型的详细步骤。

1. 准备环境

运行准备

  • Linux环境，推荐使用docker。
  • Windows环境，目前支持基于Visual Studio 2019 Community进行编译；此外，如果您希望通过生成sln解决方案的方式进行编译，可以参考该文档：https://zhuanlan.zhihu.com/p/145446681
  • 该文档主要介绍基于Linux环境下的PaddleClas C++预测流程，如果需要在Windows环境下使用预测库进行C++预测，具体编译方法请参考Windows下编译教程。

1.1 编译opencv库

  • 首先需要从opencv官网上下载在Linux环境下源码编译的包，以3.4.7版本为例，下载及解压缩命令如下：
wget https://github.com/opencv/opencv/archive/3.4.7.tar.gz
tar -xvf 3.4.7.tar.gz

最终可以在当前目录下看到opencv-3.4.7/的文件夹。

  • 编译opencv，首先设置opencv源码路径(root_path)以及安装路径(install_path)，root_path为下载的opencv源码路径，install_path为opencv的安装路径。在本例中，源码路径即为当前目录下的opencv-3.4.7/。
cd ./opencv-3.4.7
export root_path=$PWD
export install_path=${root_path}/opencv3
  • 然后在opencv源码路径下，按照下面的方式进行编译。
rm -rf build
mkdir build
cd build

cmake .. \
    -DCMAKE_INSTALL_PREFIX=${install_path} \
    -DCMAKE_BUILD_TYPE=Release \
    -DBUILD_SHARED_LIBS=OFF \
    -DWITH_IPP=OFF \
    -DBUILD_IPP_IW=OFF \
    -DWITH_LAPACK=OFF \
    -DWITH_EIGEN=OFF \
    -DCMAKE_INSTALL_LIBDIR=lib64 \
    -DWITH_ZLIB=ON \
    -DBUILD_ZLIB=ON \
    -DWITH_JPEG=ON \
    -DBUILD_JPEG=ON \
    -DWITH_PNG=ON \
    -DBUILD_PNG=ON \
    -DWITH_TIFF=ON \
    -DBUILD_TIFF=ON

make -j
make install
  • make install完成之后，会在该文件夹下生成opencv头文件和库文件，用于后面的PaddleClas代码编译。

以opencv3.4.7版本为例，最终在安装路径下的文件结构如下所示。注意：不同的opencv版本，下述的文件结构可能不同。

opencv3/
|-- bin
|-- include
|-- lib64
|-- share

1.2 下载或者编译Paddle预测库

  • 有2种方式获取Paddle预测库，下面进行详细介绍。

1.2.1 预测库源码编译

  • 如果希望获取最新预测库特性，可以从Paddle github上克隆最新代码，源码编译预测库。
  • 可以参考Paddle预测库官网的说明，从github上获取Paddle代码，然后进行编译，生成最新的预测库。使用git获取代码方法如下。
git clone https://github.com/PaddlePaddle/Paddle.git
  • 进入Paddle目录后，使用如下方法编译。
rm -rf build
mkdir build
cd build

cmake  .. \
    -DWITH_CONTRIB=OFF \
    -DWITH_MKL=ON \
    -DWITH_MKLDNN=ON  \
    -DWITH_TESTING=OFF \
    -DCMAKE_BUILD_TYPE=Release \
    -DWITH_INFERENCE_API_TEST=OFF \
    -DON_INFER=ON \
    -DWITH_PYTHON=ON
make -j
make inference_lib_dist

更多编译参数选项可以参考Paddle C++预测库官网：https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/05_inference_deployment/inference/build_and_install_lib_cn.html#id16。

  • 编译完成之后，可以在build/paddle_inference_install_dir/文件下看到生成了以下文件及文件夹。
build/paddle_inference_install_dir/
|-- CMakeCache.txt
|-- paddle
|-- third_party
|-- version.txt

其中paddle就是之后进行C++预测时所需的Paddle库，version.txt中包含当前预测库的版本信息。

1.2.2 直接下载安装

  • Paddle预测库官网上提供了不同cuda版本的Linux预测库，可以在官网查看并选择合适的预测库版本，注意必须选择develop版本。

    以ubuntu14.04_cuda9.0_cudnn7_avx_mkl的develop版本为例，使用下述命令下载并解压：

wget https://paddle-inference-lib.bj.bcebos.com/latest-gpu-cuda9-cudnn7-avx-mkl/paddle_inference.tgz

tar -xvf paddle_inference.tgz

最终会在当前的文件夹中生成paddle_inference/的子文件夹。

2 开始运行

2.1 将模型导出为inference model

  • 可以参考模型导出，导出inference model，用于模型预测。得到预测模型后，假设模型文件放在inference目录下，则目录结构如下。
inference/
|--cls_infer.pdmodel
|--cls_infer.pdiparams

注意：上述文件中，cls_infer.pdmodel文件存储了模型结构信息，cls_infer.pdiparams文件存储了模型参数信息。注意两个文件的路径需要与配置文件tools/config.txt中的cls_model_path和cls_params_path参数对应一致。

2.2 编译PaddleClas C++预测demo

  • 编译命令如下，其中Paddle C++预测库、opencv等其他依赖库的地址需要换成自己机器上的实际地址。
sh tools/build.sh

具体地，tools/build.sh中内容如下。

OPENCV_DIR=your_opencv_dir
LIB_DIR=your_paddle_inference_dir
CUDA_LIB_DIR=your_cuda_lib_dir
CUDNN_LIB_DIR=your_cudnn_lib_dir
TENSORRT_DIR=your_tensorrt_lib_dir

BUILD_DIR=build
rm -rf ${BUILD_DIR}
mkdir ${BUILD_DIR}
cd ${BUILD_DIR}
cmake .. \
    -DPADDLE_LIB=${LIB_DIR} \
    -DWITH_MKL=ON \
    -DDEMO_NAME=clas_system \
    -DWITH_GPU=OFF \
    -DWITH_STATIC_LIB=OFF \
    -DWITH_TENSORRT=OFF \
    -DTENSORRT_DIR=${TENSORRT_DIR} \
    -DOPENCV_DIR=${OPENCV_DIR} \
    -DCUDNN_LIB=${CUDNN_LIB_DIR} \
    -DCUDA_LIB=${CUDA_LIB_DIR} \

make -j

上述命令中，

  • OPENCV_DIR为opencv编译安装的地址（本例中为opencv-3.4.7/opencv3文件夹的路径）；

  • LIB_DIR为下载的Paddle预测库（paddle_inference文件夹），或编译生成的Paddle预测库（build/paddle_inference_install_dir文件夹）的路径；

  • CUDA_LIB_DIR为cuda库文件地址，在docker中为/usr/local/cuda/lib64；

  • CUDNN_LIB_DIR为cudnn库文件地址，在docker中为/usr/lib/x86_64-linux-gnu/。

  • TENSORRT_DIR是tensorrt库文件地址，在dokcer中为/usr/local/TensorRT6-cuda10.0-cudnn7/，TensorRT需要结合GPU使用。

在执行上述命令，编译完成之后，会在当前路径下生成build文件夹，其中生成一个名为clas_system的可执行文件。

运行demo

  • 首先修改tools/config.txt中对应字段：

    • use_gpu：是否使用GPU；
    • gpu_id：使用的GPU卡号；
    • gpu_mem：显存；
    • cpu_math_library_num_threads：底层科学计算库所用线程的数量；
    • use_mkldnn：是否使用MKLDNN加速；
    • use_tensorrt: 是否使用tensorRT进行加速；
    • use_fp16：是否使用半精度浮点数进行计算，该选项仅在use_tensorrt为true时有效；
    • cls_model_path：预测模型结构文件路径；
    • cls_params_path：预测模型参数文件路径；
    • resize_short_size：预处理时图像缩放大小；
    • crop_size：预处理时图像裁剪后的大小。

  • 然后修改tools/run.sh：

    • ./build/clas_system ./tools/config.txt ./docs/imgs/ILSVRC2012_val_00000666.JPEG
    • 上述命令中分别为：编译得到的可执行文件clas_system；运行时的配置文件config.txt；待预测的图像。

  • 最后执行以下命令，完成对一幅图像的分类。

sh tools/run.sh
  • 最终屏幕上会输出结果，如下图所示。

其中class id表示置信度最高的类别对应的id，score表示图片属于该类别的概率。