PulseFocusPlatform/deploy/lite/README.md

Paddle-Lite端侧部署

本教程将介绍基于Paddle Lite 在移动端部署PaddleDetection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。

1. 准备环境

运行准备

• 电脑（编译Paddle Lite）
• 安卓手机（armv7或armv8）

1.1 准备交叉编译环境

交叉编译环境用于编译 Paddle Lite 和 PaddleDetection 的C++ demo。 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。

1. Docker
2. Linux
3. MAC OS

1.2 准备预测库

预测库有两种获取方式：

1. [建议]直接下载，预测库下载链接如下：

   平台	预测库下载链接
   Android	arm7 / arm8
   iOS	arm7 / arm8

   注：1. 如果是从 Paddle-Lite 官方文档下载的预测库，注意选择with_extra=ON，with_cv=ON的下载链接。

2. 编译Paddle-Lite得到预测库，Paddle-Lite的编译方式如下：

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
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。

直接下载预测库并解压后，可以得到inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/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：

inference_lite_lib.android.armv8/
|-- cxx                                        C++ 预测库和头文件
|   |-- 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
|   `-- lib                                           C++预测库
|       |-- libpaddle_api_light_bundled.a             C++静态库
|       `-- libpaddle_light_api_shared.so             C++动态库
|-- java                                     Java预测库
|   |-- jar
|   |   `-- PaddlePredictor.jar
|   |-- so
|   |   `-- libpaddle_lite_jni.so
|   `-- src
|-- demo                                     C++和Java示例代码
|   |-- cxx                                  C++  预测库demo
|   `-- java                                 Java 预测库demo

2 开始运行

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，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

   pip install paddlelite
   

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：

   # 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；

   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

--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

下面以PaddleDetection中的 PP-YOLO-tiny 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。

# 进入PaddleDetection根目录
cd PaddleDetection_root_path

# 将预训练模型导出为inference模型
python tools/export_model.py -c configs/ppyolo/ppyolo_tiny_650e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/ppyolo_tiny_650e_coco.pdparams

# 将inference模型转化为Paddle-Lite优化模型
paddle_lite_opt --model_file=output_inference/ppyolo_tiny_650e_coco/model.pdmodel --param_file=output_inference/ppyolo_tiny_650e_coco/model.pdiparams --optimize_out=ppyolo_tiny

最终在当前文件夹下生成ppyolo_tiny.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。

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. 电脑上安装ADB工具，用于调试。 ADB安装方式如下：

   2.1. MAC电脑安装ADB:

   brew cask install android-platform-tools
   

   2.2. Linux安装ADB

   sudo apt update
   sudo apt install -y wget adb
   

   2.3. 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

3. 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：

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

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。

cd PaddleDetection_root_path
cd deploy/lite/

# 将预测库文件、测试图像和使用的类别字典文件放置在预测库中的demo/cxx/detection文件夹下
inference_lite_path=/{lite prediction library path}/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/
mkdir -p  $inference_lite_path/demo/cxx/detection/debug/
cp ../../ppyolo_tiny.nb $inference_lite_path/demo/cxx/detection/debug/
cp  ./coco_label_list.txt  $inference_lite_path/demo/cxx/detection/debug/
cp Makefile run_detection.cc  $inference_lite_path/demo/cxx/detection/
cp ./config_ppyolo_tiny.txt  $inference_lite_path/demo/cxx/detection/debug/
cp ../../demo/000000014439.jpg  $inference_lite_path/demo/cxx/detection/debug/


# 进入lite demo的工作目录
cd /{lite prediction library path}/inference_lite_lib.android.armv8/
cd demo/cxx/detection/

# 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/

执行完成后，detection文件夹下将有如下文件格式：

demo/cxx/detection/
|-- debug/
|   |--ppyolo_tiny.nb                   优化后的检测器模型文件
|   |--000000014439.jpg                 待测试图像
|   |--coco_label_list.txt              类别映射文件
|   |--libpaddle_light_api_shared.so    C++预测库文件
|   |--config_ppyolo_tiny.txt           检测模型预测超参数配置
|-- run_detection.cc                    目标检测代码文件
|-- Makefile                            编译文件

注意：

• 上述文件中，coco_label_list.txt 是COCO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。

• config_ppyolo_tiny.txt 包含了检测器的超参数，如下：

model_file ./ppyolo_tiny.nb         # 模型文件地址
label_path ./coco_label_list.txt    # 类别映射文本文件
num_threads 1                       # 线程数
enable_benchmark 1                  # 是否运行benchmark
Resize 320,320                      # resize图像尺寸
keep_ratio False                    # 是否keep ratio
mean 0.485,0.456,0.406              # 预处理均值
std 0.229,0.224,0.225               # 预处理方差
precision fp32                      # 模型精度

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：

# 执行编译，得到可执行文件detect_system
make

# 将编译得到的可执行文件移动到debug文件夹中
mv detect_system ./debug/

# 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

# detect_system可执行文件的使用方式为:
# ./detect_system 配置文件路径  测试图像路径
./detect_system ./config_ppyolo_tiny.txt ./000000014439.jpg

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：

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）。

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，使用 ADB 再次 push 到手机上即可。