Paddle-Lite-Demo

Paddle-Lite 提供了多个应用场景的 demo，并支持 Android、iOS 和 ArmLinux 三个平台：

• 图像分类
  • 基于 mobilenet_v1 模型
    • Android 示例
    • iOS 示例
    • ArmLinux 示例
• 目标检测
  • 基于 ssd_mobilenetv1 模型
    • Android 示例
    • iOS 示例
  • 基于 yolov3_mobilenet_v3 模型
    • Android 示例
    • iOS 示例
  • 基于 yolov5 模型
    • Android 示例
    • iOS 示例
  • 基于 pp_picodet 模型
    • Android 示例
    • iOS 示例
• 文字识别
  • 基于 pp_ocr_det、pp_ocr_rec 和 pp_ocr_cls 模型
    • Android 示例
    • iOS 示例
• 人脸检测
  • 基于 face-detection 模型
    • Android 示例
    • iOS 示例
• 人脸关键点检测
  • 基于 face-detection 和 face-keypoint 模型
    • Android 示例
    • iOS 示例
• 姿态检测
  • 基于 pp_tinypose 模型
    • ArmLinux 示例
• 口罩识别
  • 基于 pyramidbox + mask_detect 模型
    • Android 示例
• 人像分割
  • 基于 DeeplabV3 模型
    • Android 示例
    • iOS 示例
• PP 识图
  • 基于 PPLCNet 两个模型模型
    • Android 示例
    • iOS 示例

关于 Paddle-Lite 更多示例，请参考如下文档链接：

• 文档官网
• Android apps [图像分类] [目标检测] [口罩检测] [人脸关键点] [人像分割]
• iOS apps
• Linux apps
• Arm
• x86
• OpenCL
• Metal
• 华为麒麟 NPU
• 华为昇腾 NPU
• 昆仑芯 XPU
• 昆仑芯 XTCL
• 高通 QNN
• 寒武纪 MLU
• (瑞芯微/晶晨/恩智浦) 芯原 TIM-VX
• Android NNAPI
• 联发科 APU
• 颖脉 NNA
• Intel OpenVINO
• 亿智 NPU

要求

• iOS

  • macOS+Xcode，已验证的环境：Xcode Version 11.5 (11E608c) on macOS Catalina(10.15.5)
  • Xcode 11.3会报"Invalid bitcode version ..."的编译错误，请将Xcode升级到11.4及以上的版本后重新编译
  • 对于ios 12.x版本，如果提示“xxx. which may not be supported by this version of Xcode”，请下载对应的工具包, 下载完成后解压放到/Applications/Xcode.app/Contents/Developer/Platforms/iPhoneOS.platform/DeviceSupport目录，重启xcode

• Android

  • Android Studio 4.2；
  • adb调试工具；
  • Android手机或开发版；
  • 华为手机支持NPU的 Demo（NPU的功能暂时只在nova5、mate30和mate30 5G上进行了测试，用户可自行尝试其它搭载了麒麟810和990芯片的华为手机（如nova5i pro、mate30 pro、荣耀v30，mate40或p40，且需要将系统更新到最新版）

• ARMLinux

  • RK3399（Ubuntu 18.04） 或 树莓派3B（Raspbian Buster with desktop），暂时验证了这两个软、硬件环境，其它平台用户可自行尝试；
  • 支持树莓派 3B 摄像头采集图像，具体参考树莓派 3B 摄像头安装与测试
  • gcc g++ opencv cmake的安装（以下所有命令均在设备上操作）

  $ sudo apt-get update
  $ sudo apt-get install gcc g++ make wget unzip libopencv-dev pkg-config
  $ wget https://www.cmake.org/files/v3.10/cmake-3.10.3.tar.gz
  $ tar -zxvf cmake-3.10.3.tar.gz
  $ cd cmake-3.10.3
  $ ./configure
  $ make
  $ sudo make install

安装

$ git clone https://github.com/PaddlePaddle/Paddle-Lite-Demo

• iOS

  • 在PaddleLite-ios-demo目录下执行download_dependencies.sh脚本，该脚本会离线下载并解压ios demo所需要的依赖， 包括paddle-lite 预测库，demo所需要的模型，opencv framework

  $ chmod +x download_dependencies.sh
  $ ./download_dependencies.sh

  • 打开xcode，点击“Open another project…”打开Paddle-Lite-Demo/PaddleLite-ios-demo/ios-xxx_demo/目录下的xcode工程；
  • 在选中左上角“project navigator”，选择“classification_demo”，修改“General”信息；
  • 插入ios真机（已验证：iphone8， iphonexr），选择Device为插入的真机；
  • 点击左上角“build and run”按钮；

• Android

  • 打开Android Studio，在"Welcome to Android Studio"窗口点击"Open an existing Android Studio project"，在弹出的路径选择窗口中进入"image_classification_demo"目录，然后点击右下角的"Open"按钮即可导入工程
  • 通过USB连接Android手机或开发板；
  • 载入工程后，点击菜单栏的Run->Run 'App'按钮，在弹出的"Select Deployment Target"窗口选择已经连接的Android设备（连接失败请检查本机adb工具是否正常），然后点击"OK"按钮；
  • 由于Demo所用到的库和模型均通过app/build.gradle脚本在线下载，因此，第一次编译耗时较长（取决于网络下载速度），请耐心等待；
  • 对于图像分类Demo，如果库和模型下载失败，建议手动下载并拷贝到相应目录下：
    1. paddle_lite_libs.tar.gz：解压后将 inference_*/cxx 拷贝至 Paddle-Lite-Demo/image_classification/android/app/cxx/image_classification/app/PaddleLite/cxx，将 inference_*/java 拷贝至 Paddle-Lite-Demo/image_classification/android/app/cxx/image_classification/app/PaddleLite/java
    2. mobilenet_v1_for_cpu.tar.gz：解压至 Paddle-Lite-Demo/image_classification/android/app/cxx/image_classification/app/app/src/main/assets/models/mobilenet_v1_for_cpu 目录
  • 在图像分类Demo中，你还可以通过上方的"Gallery"和"Take Photo"按钮从相册或相机中加载测试图像；

• ARMLinux or Shell

  • 预测库下载

  $ cd Paddle-Lite-Demo/libs
  $ ./download.sh # 下载预测库

  • 图像分类Demo的编译与运行（以下所有命令均在设备上操作）

  $ cd Paddle-Lite-Demo/image_classification/assets
  $ ./download.sh # 下载模型、测试图片和标签文件
  $ cd Paddle-Lite-Demo/image_classification/android/shell/cxx/image_classification
  $ ./build.sh armv8 # 编译可执行文件，并运行程序

  在终端打印预测结果和性能数据。

  • 目标检测Demo的编译与运行（以下所有命令均在设备上操作）

  $ cd Paddle-Lite-Demo/object_detection/assets
  $ ./download.sh # 下载模型、测试图片和标签文件
  $ cd Paddle-Lite-Demo/object_detection/android/shell/cxx/yolov3_mobilenet_v3
  $ ./build.sh armv8 # 编译可执行文件，并运行程序

  在终端打印预测结果和性能数据，同时在build目录中生成dog_yolo_v3_mobilenetv3_detection_result.jpg.jpg。

效果展示

• 图像分类

  Android	iOS	Armlinux

• 目标检测

  Android	iOS

• OCR

  Android	iOS

• 人脸检测

  Android	iOS
  	补充中

• 人脸关键点检测

  Android	iOS
  	补充中

• 口罩识别

  Android	iOS
  	补充中

• 人像分割

  Android	iOS

• PP 识图

  Android	iOS

性能优化

• 多线程设置：
  • demo 中线程数默认是1，用户可以根据手机大核个数，设置最大线程数。如小米9，它有4个A76 大核，线程数最大设置为4；
  • 设置方法：可以通过界面的setting 按钮进行更新，也可以通过修改源码（config.set_threads()）的线程数进行更新。
• FP16 推理：
  • demo 中模型默认是FP32 模型，如果你是在armv8.2 架构以上的手机运行如小米9，则可选用FP16 模型进行推理；否则，不能使用FP16 模型进行推理。
  • FP16 推理方法：如果 APP 中 assets/model 目录下提供了FP16 模型（nb 模型以_fp16结尾），用户只需更新源码模型路径就行；否则，用户需要下载 OPT 可执行文件，并参考 OPT 使用文档重新转换模型(将 enable_fp16 设置为 true，如 --enable_fp16=1），然后更新源码中模型路径即可。
  • 如果提供的预测库没有包含FP16 kernel 算子话，用户需要从 release 仓库中下载含有FP16 kernel新的预测库。
• Int8/稀疏推理：
  • 用户可以使用 PaddleSlim 工具 完成模型量化/稀疏化处理，进一步提升模型性能。
  • 使用方法：用 PaddleSlim 生成新模型，然后参考 FP16 推理方法，更新 demo 中预测模型即可。