端侧部署

本教程将介绍基于Paddle Lite 在移动端部署PaddleClas分类模型的详细步骤。

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。如果希望直接测试速度，可以参考Paddle-Lite移动端benchmark测试教程。

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 PaddleClas 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。

1.2 准备预测库

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. 如果使用量化的模型部署在端侧，建议使用Paddle-Lite develop分支编译预测库。
编译Paddle-Lite得到预测库，Paddle-Lite的编译方式如下：

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

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.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.clang.c++_static.with_extra.with_cv/
|-- 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 [建议]pip安装paddlelite并进行转换

Python下安装 paddlelite，目前最高支持Python3.7。注意：paddlelitewhl包版本必须和预测库版本对应。

pip install paddlelite==2.10

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_dir	待优化的PaddlePaddle模型（非combined形式）的路径
--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。若您需要在mobile端执行模型预测，请将此选项设置为naive_buffer。默认为protobuf
--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
--record_tailoring_info	当使用根据模型裁剪库文件功能时，则设置该选项为true，以记录优化后模型含有的kernel和OP信息，默认为false

--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。

2.1.2 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。

2.1.3 转换示例

下面以PaddleClas的 MobileNetV3_large_x1_0 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PaddleClas根目录
cd PaddleClas_root_path

# 下载并解压inference模型
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/MobileNetV3_large_x1_0_infer.tar
tar -xf MobileNetV3_large_x1_0_infer.tar

# 将inference模型转化为Paddle-Lite优化模型
paddle_lite_opt --model_file=./MobileNetV3_large_x1_0_infer/inference.pdmodel --param_file=./MobileNetV3_large_x1_0_infer/inference.pdiparams --optimize_out=./MobileNetV3_large_x1_0

最终在当前文件夹下生成MobileNetV3_large_x1_0.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。

2.1.4 执行编译，得到可执行文件clas_system

# 克隆 Autolog 代码库，以便获取自动化日志
cd PaddleClas_root_path
cd deploy/lite/
git clone https://github.com/LDOUBLEV/AutoLog.git

# 编译
make -j

执行 make 命令后，会在当前目录生成 clas_system 可执行文件，该文件用于 Lite 预测。

2.2 与手机联调

首先需要进行一些准备工作。

准备一台arm8的安卓手机，如果编译的预测库和opt文件是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：

3.1. MAC电脑安装ADB:
```
brew cask install android-platform-tools
```
3.2. Linux安装ADB
```
sudo apt update
sudo apt install -y wget adb
```
3.3. 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

将优化后的模型、预测库文件、测试图像和类别映射文件push到手机上。

adb shell mkdir -p /data/local/tmp/arm_cpu/
adb push clas_system /data/local/tmp/arm_cpu/
adb shell chmod +x /data/local/tmp/arm_cpu//clas_system
adb push inference_lite_lib.android.armv8.clang.c++_static.with_extra.with_cv/cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/arm_cpu/
adb push MobileNetV3_large_x1_0.nb /data/local/tmp/arm_cpu/
adb push config.txt /data/local/tmp/arm_cpu/
adb push ../../ppcls/utils/imagenet1k_label_list.txt /data/local/tmp/arm_cpu/
adb push imgs/tabby_cat.jpg /data/local/tmp/arm_cpu/

注意：

上述文件中，imagenet1k_label_list.txt 是ImageNet1k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.txt 包含了分类器的超参数，如下：

clas_model_file ./MobileNetV3_large_x1_0.nb # 模型文件地址
label_path ./imagenet1k_label_list.txt             # 类别映射文本文件
resize_short_size 256 # resize之后的短边边长
crop_size 224                 # 裁剪后用于预测的边长
visualize 0 # 是否进行可视化，如果选择的话，会在当前文件夹下生成名为clas_result.png的图像文件
num_threads 1 # 线程数，默认是1。
precision FP32 # 精度类型，可以选择 FP32 或者 INT8，默认是 FP32。
runtime_device arm_cpu # 设备类型，默认是 arm_cpu
enable_benchmark 0 # 是否开启benchmark， 默认是 0
tipc_benchmark 0 # 是否开启tipc_benchmark，默认是 0

执行预测命令

执行以下命令，可完成在手机上的预测。

adb shell 'export LD_LIBRARY_PATH=/data/local/tmp/arm_cpu/; /data/local/tmp/arm_cpu/clas_system /data/local/tmp/arm_cpu/config.txt /data/local/tmp/arm_cpu/tabby_cat.jpg'

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。

PaddlePaddle / PaddleClas

端侧部署

目录

1. 准备环境

运行准备

1.1 准备交叉编译环境

1.2 准备预测库

2 开始运行

2.1 模型优化

2.1.1 [建议]pip安装paddlelite并进行转换

2.1.2 源码编译Paddle-Lite生成opt工具

2.1.3 转换示例

2.1.4 执行编译，得到可执行文件clas_system

2.2 与手机联调

注意：

FAQ

简介

发行版

贡献者

近期动态

PaddlePaddle / PaddleClas .gitee-modal { width: 500px !important; }

端侧部署

目录

1. 准备环境

运行准备

1.1 准备交叉编译环境

1.2 准备预测库

2 开始运行

2.1 模型优化

2.1.1 [建议]pip安装paddlelite并进行转换

2.1.2 源码编译Paddle-Lite生成opt工具

2.1.3 转换示例

2.1.4 执行编译，得到可执行文件clas_system

2.2 与手机联调

注意：

FAQ

简介

发行版

开源评估指数源自 OSS-Compass 评估体系，评估体系围绕以下三个维度对项目展开评估：

贡献者

近期动态

搜索帮助

PaddlePaddle / PaddleClas