Skip to content

Latest commit

 

History

History
340 lines (242 loc) · 10.4 KB

readme.md

File metadata and controls

340 lines (242 loc) · 10.4 KB
Raw

服务器端C++预测

本教程将介绍在服务器端部署PP-ShiTU的详细步骤。

目录

1. 准备环境

运行准备

  • Linux环境，推荐使用ubuntu docker。

1.1 升级cmake

由于依赖库编译需要较高版本的cmake，因此，第一步首先将cmake升级。

  • 下载最新版本cmake
# 当前版本最新为3.22.0，根据实际情况自行下载，建议最新版本
wget https://github.com/Kitware/CMake/releases/download/v3.22.0/cmake-3.22.0.tar.gz
tar xf cmake-3.22.0.tar.gz

最终可以在当前目录下看到cmake-3.22.0/的文件夹。

  • 编译cmake，首先设置came源码路径(root_path)以及安装路径(install_path)，root_path为下载的came源码路径，install_path为came的安装路径。在本例中，源码路径即为当前目录下的cmake-3.22.0/。
cd ./cmake-3.22.0
export root_path=$PWD
export install_path=${root_path}/cmake
  • 然后在cmake源码路径下，按照下面的方式进行编译
./bootstrap --prefix=${install_path}
make -j
make install
  • 设置环境变量
export PATH=${install_path}/bin:$PATH
#检查是否正常使用
cmake --version

此时，cmake就可以使用了

1.2 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

1.3 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。

1.3.1 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。

  • 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。

1.3.2 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https://paddle-inference-lib.bj.bcebos.com/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/paddle_inference.tgz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/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/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。

1.4 安装faiss库

 # 下载 faiss
 git clone https://github.com/facebookresearch/faiss.git
 cd faiss
 export faiss_install_path=$PWD/faiss_install
 cmake -B build . -DFAISS_ENABLE_PYTHON=OFF  -DCMAKE_INSTALL_PREFIX=${faiss_install_path}
 make -C build -j faiss
 make -C build install

在安装faiss前，请安装openblas，ubuntu系统中安装命令如下：

apt-get install libopenblas-dev

注意本教程以安装faiss cpu版本为例，安装时请参考faiss官网文档，根据需求自行安装。

2. 代码编译

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。同时，编译过程中需要下载编译yaml-cpp等C++库，请保持联网环境。

sh tools/build.sh

具体地，tools/build.sh中内容如下，请根据具体路径修改。

OPENCV_DIR=${opencv_install_dir}
LIB_DIR=${paddle_inference_dir}
CUDA_LIB_DIR=/usr/local/cuda/lib64
CUDNN_LIB_DIR=/usr/lib/x86_64-linux-gnu/
FAISS_DIR=${faiss_install_dir}
FAISS_WITH_MKL=OFF

BUILD_DIR=build
rm -rf ${BUILD_DIR}
mkdir ${BUILD_DIR}
cd ${BUILD_DIR}
cmake .. \
    -DPADDLE_LIB=${LIB_DIR} \
    -DWITH_MKL=ON \
    -DWITH_GPU=OFF \
    -DWITH_STATIC_LIB=OFF \
    -DUSE_TENSORRT=OFF \
    -DOPENCV_DIR=${OPENCV_DIR} \
    -DCUDNN_LIB=${CUDNN_LIB_DIR} \
    -DCUDA_LIB=${CUDA_LIB_DIR} \
    -DFAISS_DIR=${FAISS_DIR} \
    -DFAISS_WITH_MKL=${FAISS_WITH_MKL}

make -j
cd ..

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。
  • FAISS_DIR是faiss的安装地址
  • FAISS_WITH_MKL是指在编译faiss的过程中，是否使用了mkldnn，本文档中编译faiss，没有使用，而使用了openblas，故设置为OFF，若使用了mkldnn，则为ON.

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pp_shitu的可执行文件。

3. 运行demo

  • 请参考识别快速开始文档，下载好相应的 轻量级通用主体检测模型、轻量级通用识别模型及瓶装饮料测试数据并解压。

    mkdir models
cd models
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
tar -xf picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/general_PPLCNet_x2_5_lite_v1.0_infer.tar
tar -xf general_PPLCNet_x2_5_lite_v1.0_infer.tar
cd ..

mkdir data
cd data
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/drink_dataset_v1.0.tar
tar -xf drink_dataset_v1.0.tar
cd ..

  • 将相应的yaml文件拷到当前文件夹下

    cp ../configs/inference_drink.yaml .

  • 将inference_drink.yaml中的相对路径，改成基于本目录的路径或者绝对路径。涉及到的参数有

    • Global.infer_imgs ：此参数可以是具体的图像地址，也可以是图像集所在的目录
    • Global.det_inference_model_dir ： 检测模型存储目录
    • Global.rec_inference_model_dir ： 识别模型存储目录
    • IndexProcess.index_dir ： 检索库的存储目录，在示例中，检索库在下载的demo数据中。

  • 字典转换

    由于python的检索库的字典，使用pickle进行的序列化存储，导致C++不方便读取，因此进行转换

    python tools/transform_id_map.py -c inference_drink.yaml

    转换成功后，在IndexProcess.index_dir目录下生成id_map.txt，方便c++ 读取。

  • 执行程序

    ./build/pp_shitu -c inference_drink.yaml
# or
./build/pp_shitu -config inference_drink.yaml

    若对图像集进行检索，则可能得到，如下结果。注意，此结果只做展示，具体以实际运行结果为准。

    同时，需注意的是，由于opencv 版本问题，会导致图像在预处理的过程中，resize产生细微差别，导致python 和c++结果，轻微不同，如bbox相差几个像素，检索结果小数点后3位diff等。但不会改变最终检索label。

4. 使用自己模型

使用自己训练的模型，可以参考模型导出，导出inference model，用于模型预测。

同时注意修改yaml文件中具体参数。