本教程将介绍基于Paddle Lite 在移动端部署PaddleClas PP-ShiTu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。
- 电脑（编译Paddle Lite）
- 安卓手机（armv7或armv8）
交叉编译环境用于编译 Paddle Lite 和 PaddleClas 的PP-ShiTu Lite 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，请确保安装完成Java jdk、Android NDK(R17以上)。
# 配置完成交叉编译环境后，更新环境变量
# for docker、Linux
source ~/.bashrc
# for Mac OS
source ~/.bash_profile预测库有两种获取方式：
- [建议]直接下载，预测库下载链接如下：
平台 架构 预测库下载链接 Android arm7 inference_lite_lib Android arm8 inference_lite_lib Android arm8(FP16) inference_lite_lib
注意：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. 目前只提供Android端demo，IOS端demo可以参考Paddle-Lite IOS demo
- 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
# FP32
./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_cv=ON --with_extra=ON
# FP16
./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_cv=ON --with_extra=ON --with_arm82_fp16=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.clang.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
PaddleClas 提供了转换并优化后的推理模型，可以直接参考下方 2.1.1 小节进行下载。如果需要使用其他模型，请参考后续 2.1.2 小节自行转换并优化模型。
# 进入lite_ppshitu目录
cd $PaddleClas/deploy/lite_shitu
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/lite/ppshituv2_lite_models_v1.0.tar
tar -xf ppshituv2_lite_models_v1.0.tar
rm -f ppshituv2_lite_models_v1.0.tar解压后的文件夹中包含PP-ShiTu V2的检测和特征模型的量化模型，即解压后的两个.nb模型。 存储大小约为14M，相对于非量化模型，模型加速一倍左右，精度降低不到一个点。如果想用非量化模型，可以参考使用其他模型
同时，文件中存在general_PPLCNetV2_base_quant_v1.0_lite_inference_model子文件夹，子文件夹中存储的是general_PPLCNetV2_base_quant_v1.0_lite.nb对应的inference model，在实际部署前，先需要用此inference model生成好对应的index库。实际推理时，只需要生成好的index库和两个量化模型来完成部署。
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。
安装paddle_lite_opt工具有如下两种方法：
-
[建议]pip安装paddlelite并进行转换
pip install paddlelite==2.10rc
-
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：# 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/ ./optopt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。
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。
此示例是使用fp32的模型直接生成.nb模型，相对于量化模型，精度会更高，但是速度会降低。
- 转换主体检测模型
# 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
# 切换到2.3分支
git checkout release/2.3
# 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 export_post_process=False --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
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- 转换识别模型
# 识别模型下载
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar
# 解压模型
tar -xf general_PPLCNetV2_base_pretrained_v1.0_infer.tar
# 转换为Paddle-Lite模型
paddle_lite_opt --model_file=general_PPLCNetV2_base_pretrained_v1.0_infer/inference.pdmodel --param_file=general_PPLCNetV2_base_pretrained_v1.0_infer/inference.pdiparams --optimize_out=general_PPLCNetV2_base_pretrained_v1.0_infer/rec
# 将模型文件拷贝到lite_shitu下
cp general_PPLCNetV2_base_pretrained_v1.0_infer/rec.nb deploy/lite_shitu/models/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。
由于lite 版本的检索库用的是faiss1.5.3版本，与新版本不兼容，因此需要重新生成index库
# 进入PaddleClas根目录
cd $PaddleClas
# 安装PaddleClas
python setup.py install
cd deploy
# 下载瓶装饮料数据集
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/drink_dataset_v2.0.tar && tar -xf drink_dataset_v2.0.tar
rm -rf drink_dataset_v2.0.tar
rm -rf drink_dataset_v2.0/index
# 安装1.5.3版本的faiss
pip install faiss-cpu==1.5.3# 生成新的index库，注意指定好识别模型的路径，同时将index_mothod修改成Flat，HNSW32和IVF在此版本中可能存在bug，请慎重使用。
# 如果使用自己的识别模型，对应的修改inference model的目录
python python/build_gallery.py -c configs/inference_drink.yaml -o Global.rec_inference_model_dir=lite_shitu/ppshituv2_lite_models_v1.0/general_PPLCNetV2_base_quant_v1.0_lite_inference_model -o IndexProcess.index_method=Flat
# 进入到lite_shitu目录
cd lite_shitu
mv ../drink_dataset_v2.0 .# 如果是使用自己生成的.nb模型，请修改好对应的det_model_path和rec_model_path的路径
# 如果测试单张图像，路径使用相对路径
python generate_json_config.py --det_model_path ppshituv2_lite_models_v1.0/mainbody_PPLCNet_x2_5_640_quant_v1.0_lite.nb --rec_model_path ppshituv2_lite_models_v1.0/general_PPLCNetV2_base_quant_v1.0_lite.nb --img_path images/demo.jpeg
# or
# 如果测试多张图像
python generate_json_config.py --det_model_path ppshituv2_lite_models_v1.0/mainbody_PPLCNet_x2_5_640_quant_v1.0_lite.nb --rec_model_path ppshituv2_lite_models_v1.0/general_PPLCNetV2_base_quant_v1.0_lite.nb --img_dir images
# 执行完成后，会在lit_shitu下生成shitu_config.json配置文件注意：生成json文件的时候，请注意修改好模型路径，特别是使用自己生成的.nb模型时
由于python的检索库字典，使用pickle进行的序列化存储，导致C++不方便读取，因此需要进行转换
# 转化id_map.pkl为id_map.txt
python transform_id_map.py -c ../configs/inference_drink.yaml转换成功后，会在IndexProcess.index_dir目录下生成id_map.txt。
首先需要进行一些准备工作。
-
准备一台arm8的安卓手机，如果编译的预测库是armv7，则需要arm7的手机，并修改Makefile中
ARM_ABI=arm7。 -
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
-
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
- 编译lite部署代码生成移动端可执行文件
cd $PaddleClas/deploy/lite_shitu
# ${lite prediction library path}下载的Paddle-Lite库路径
inference_lite_path=${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 * $inference_lite_path/demo/cxx/ppshitu_lite
cd $inference_lite_path/demo/cxx/ppshitu_lite
# 执行编译，等待完成后得到可执行文件main
make ARM_ABI=arm8
#如果是arm7，则执行 make ARM_ABI = arm7 (或者在Makefile中修改该项)- 准备优化后的模型、预测库文件、测试图像。
mkdir deploy
# 移动的模型路径要和之前生成的json文件中模型路径一致
mv ppshituv2_lite_models_v1.0 deploy/
mv drink_dataset_v2.0 deploy/
mv images deploy/
mv shitu_config.json deploy/
cp pp_shitu deploy/
# 将C++预测动态库so文件复制到deploy文件夹中
cp ../../../cxx/lib/libpaddle_light_api_shared.so deploy/执行完成后，deploy文件夹下将有如下文件格式：
deploy/
|-- ppshituv2_lite_models_v1.0/
| |--mainbody_PPLCNet_x2_5_640_quant_v1.0_lite.nb 主体检测lite模型文件
| |--general_PPLCNetV2_base_quant_v1.0_lite.nb 识别lite模型文件
| |--general_PPLCNetV2_base_quant_v1.0_lite_inference_model 识别对应的inference model文件夹
|-- images/
| |--demo.jpg 图片文件
|-- drink_dataset_v2.0/ 瓶装饮料demo数据
| |--index 检索index目录
|-- pp_shitu 生成的移动端执行文件
|-- shitu_config.json 执行时参数配置文件
|-- libpaddle_light_api_shared.so Paddle-Lite库文件注意：
shitu_config.json包含了目标检测的超参数，请按需进行修改
- 启动调试，上述步骤完成后就可以使用ADB将文件夹
deploy/push到手机上运行，步骤如下：
# 将上述deploy文件夹push到手机上
adb push deploy /data/local/tmp/
adb shell
cd /data/local/tmp/deploy
export LD_LIBRARY_PATH=/data/local/tmp/deploy:$LD_LIBRARY_PATH
# 修改权限为可执行
chmod 777 pp_shitu
# 执行程序
./pp_shitu shitu_config.json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：
images/demo.jpeg:
result1: bbox[0, 0, 600, 600], score: 0.696782, label: 红牛-强化型
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 deploy 下的测试图像为你想要测试的图像，并重新生成json配置文件（或者直接修改图像路径），使用 ADB 再次 push 到手机上即可。