Linux(ARM) 工程示例

多种应用场景

我们提供Paddle-Lite示例工程Paddle-Lite-Demo,其中包含AndroidiOSArmlinux平台的示例工程。Linux(ARM) demo涵盖图像分类目标检测2个应用场景。

1. 图像分类

Paddle-Lite提供的图像分类demo ,在移动端上提供了实时的物体识别能力,可以应用到生产线自动分拣或质检、识别医疗图像、辅助医生肉眼诊断等场景。在移动端预测的效果图如下:

     

2. 物体检测

Paddle-Lite提供的物体检测demo ,在移动端上提供了检测多个物体的位置、名称、位置及数量的能力。可以应用到视频监控(是否有违规物体或行为)、工业质检(微小瑕疵的数量和位置)、医疗诊断(细胞计数、中药识别)等场景。在移动端预测的效果图如下:

     

Linux(ARM) demo部署方法

下面我们以**目标检测(object_detection_demo)**为例讲解如何部署Linux(ARM)工程。

目的:将基于Paddle-Lite的预测库部署到Linux(ARM)设备,实现物体检测的目标。

需要的环境:Linux(ARM)设备、下载到本地的Paddle-Lite-Demo工程

部署步骤

1、 目标检测的Linux(ARM)示例位于 Paddle-Lite-Demo\PaddleLite-armlinux-demo\object_detection_demo

2、终端中执行 download_models_and_libs.sh 脚本自动下载模型和Paddle-Lite预测库

cd PaddleLite-armlinux-demo          # 1. 终端中进入 Paddle-Lite-Demo\PaddleLite-armlinux-demo
sh download_models_and_libs.sh       # 2. 执行脚本下载依赖项 (需要联网)

下载完成后会出现提示: Download successful!

3、终端中执行 download_models_and_libs.sh 脚本自动下载模型和Paddle-Lite预测库

cd object_detection_demo    # 1. 终端中进入
sh run.sh                   # 2. 执行脚本编译并执行物体检测demo,输出预测数据和运行时间

demo结果如下: image

使用C++接口预测

Linux(ARM) demo 示例基于C++ API 开发,调用Paddle-Lite C++ API包括以下五步。更详细的API 描述参考: Paddle-Lite C++ API

#include <iostream>
// 引入C++ API
#include "paddle_lite/paddle_api.h"
#include "paddle_lite/paddle_use_ops.h"
#include "paddle_lite/paddle_use_kernels.h"

// 1. 设置MobileConfig
MobileConfig config;
config.set_model_from_file(<modelPath>); // 设置NaiveBuffer格式模型路径
config.set_power_mode(LITE_POWER_NO_BIND); // 设置CPU运行模式
config.set_threads(4); // 设置工作线程数

// 2. 创建PaddlePredictor
std::shared_ptr<PaddlePredictor> predictor = CreatePaddlePredictor<MobileConfig>(config);

// 3. 设置输入数据
std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
input_tensor->Resize({1, 3, 224, 224});
auto* data = input_tensor->mutable_data<float>();
for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
  data[i] = 1;
}

// 4. 执行预测
predictor->run();

// 5. 获取输出数据
std::unique_ptr<const Tensor> output_tensor(std::move(predictor->GetOutput(0)));
std::cout << "Output shape " << output_tensor->shape()[1] << std::endl;
for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) {
  std::cout << "Output[" << i << "]: " << output_tensor->data<float>()[i]
            << std::endl;
}

使用Python接口预测

  1. Python预测库编译参考编译Linux,建议在开发版上编译。
  2. Paddle-Lite Python API
  3. 代码参考,Python完整示例