# 简介 本文档以[千分类模型_MobileNetV3](https://ai.baidu.com/easyedge/app/openSource)为例，介绍FastDeploy中的模型SDK， 在**ARM Linux Python** 环境下:（1)图像推理部署步骤； （2）介绍模型推流全流程API，方便开发者了解项目后二次开发。其中ARM Linux C++请参考[ARM Linux C++环境下的推理部署](./arm_linux_cpp_sdk_inference.md)文档。 **注意**：部分模型（如Tinypose、OCR等）仅支持图像推理，不支持视频推理。 * [简介](#简介) * [环境准备](#环境准备) * [1.SDK下载](#1sdk下载) * [2.硬件支持](#2硬件支持) * [3.python环境](#3python环境) * [4.安装依赖](#4安装依赖) * [4.1.安装paddlepaddle](#41安装paddlepaddle) * [4.2.安装EasyEdge Python Wheel 包](#42安装easyedge-python-wheel-包) * [快速开始](#快速开始) * [1.文件结构说明](#1文件结构说明) * [2.测试Demo](#2测试demo) * [2.1预测图像](#21预测图像) * [Demo API介绍](#demo-api介绍) * [1.基础流程](#1基础流程) * [2.初始化](#2初始化) * [3.SDK参数配置](#3sdk参数配置) * [4.预测图像](#4预测图像) * [FAQ](#faq) # 环境准备 ## 1.SDK下载 根据开发者模型、部署芯片、操作系统需要，在图像界面[飞桨开源模型](https://ai.baidu.com/easyedge/app/openSource)或[GitHub](https://github.com/PaddlePaddle/FastDeploy)中选择对应的SDK进行下载。 ```shell EasyEdge-Linux-x86--[部署芯片] ├──... ├──python # Linux Python SDK ├── # 特定Python版本的EasyEdge Wheel包, 二次开发可使用 ├── BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl ├── infer_demo # demo体验完整文件 │ ├── demo_xxx.py # 包含前后处理的端到端推理demo文件 │ └── demo_serving.py # 提供http服务的demo文件 ├── tensor_demo # 学习自定义算法前后处理时使用 │ └── demo_xxx.py ``` ## 2.硬件支持 目前支持的ARM架构：aarch64 、armv7hf ## 3.python环境 > ARM Linux SDK仅支持Python 3.6 使用如下命令获取已安装的Python版本号。如果本机的版本不匹配，建议使用[pyenv](https://github.com/pyenv/pyenv)、[anaconda](https://www.anaconda.com/)等Python版本管理工具对SDK所在目录进行配置。 ```shell $python3 --version ``` 接着使用如下命令确认pip的版本是否满足要求，要求pip版本为20.2.2或更高版本。详细的pip安装过程可以参考[官网教程](https://pip.pypa.io/en/stable/installation/)。 ```shell $python3 -m pip --version ``` ## 4.安装依赖 ### 4.1.安装paddlepaddle 根据具体的部署芯片（CPU/GPU）安装对应的PaddlePaddle的whl包。 `armv8 CPU平台`可以使用如下命令进行安装： ```shell python3 -m pip install http://aipe-easyedge-public.bj.bcebos.com/easydeploy/paddlelite-2.11-cp36-cp36m-linux_aarch64.whl ``` ### 4.2.安装EasyEdge Python Wheel 包 在`python`目录下，安装特定Python版本的EasyEdge Wheel包。`armv8 CPU平台`可以使用如下命令进行安装： ```shell python3 -m pip install -U BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl ``` # 快速开始 ## 1.文件结构说明 Python SDK文件结构如下： ```shell .EasyEdge-Linux-x86--[部署芯片] ├── RES # 模型资源文件夹，一套模型适配不同硬件、OS和部署方式 │ ├── conf.json # Android、iOS系统APP名字需要 │ ├── label_list.txt # 模型标签文件 │ ├── model # 模型结构文件 │ ├── params # 模型参数文件 │ └── infer_cfg.json # 模型前后处理等配置文件 ├── ReadMe.txt ├── cpp # C++ SDK 文件结构 └── python # Python SDK 文件 ├── BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl #EasyEdge Python Wheel 包 ├── infer_demo ├── demo_armv8_cpu.py # 图像推理 ├── demo_serving.py # HTTP服务化推理 └── tensor_demo # 学习自定义算法前后处理时使用 ├── demo_armv8_cpu.py ``` ## 2.测试Demo > 模型资源文件默认已经打包在开发者下载的SDK包中， 默认为`RES`目录。 ### 2.1预测图像 使用infer_demo文件夹下的demo文件。 ```bash python3 demo_x86_cpu.py {模型RES文件夹} {测试图片路径} ``` 运行效果示例：
```shell 2022-06-14 14:40:16 INFO [EasyEdge] [demo_nvidia_gpu.py:38] 140518522509120: Init paddlefluid engine... 2022-06-14 14:40:20 INFO [EasyEdge] [demo_nvidia_gpu.py:38] 140518522509120: Paddle version: 2.2.2 {'confidence': 0.9012349843978882, 'index': 8, 'label': 'n01514859 hen'} ``` 可以看到，运行结果为`index：8，label：hen`，通过imagenet [类别映射表](https://gist.github.com/yrevar/942d3a0ac09ec9e5eb3a)，可以找到对应的类别，即 'hen'，由此说明我们的预测结果正确。 # Demo API介绍 本章节主要结合[测试Demo](#2测试Demo)的Demo示例介绍推理API，方便开发者学习后二次开发。 ## 1.基础流程 > ❗注意，请优先参考SDK中自带demo的使用流程和说明。遇到错误，请优先参考文件中的注释、解释、日志说明。 `infer_demo/demo_xx_xx.py` ```python # 引入EasyEdge运行库 import BaiduAI.EasyEdge as edge # 创建并初始化一个预测Progam；选择合适的引擎 pred = edge.Program() pred.init(model_dir={RES文件夹路径}, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 CPU # pred.init(model_dir=_model_dir, device=edge.Device.GPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 Nvidia GPU # pred.init(model_dir=_model_dir, device=edge.Device.CPU, engine=edge.Engine.PADDLE_LITE) # armv8 CPU # 预测图像 res = pred.infer_image({numpy.ndarray的图片}) # 关闭结束预测Progam pred.close() ``` `infer_demo/demo_serving.py` ```python import BaiduAI.EasyEdge as edge from BaiduAI.EasyEdge.serving import Serving # 创建并初始化Http服务 server = Serving(model_dir={RES文件夹路径}, license=serial_key) # 运行Http服务 # 请参考同级目录下demo_xx_xx.py里: # pred.init(model_dir=xx, device=xx, engine=xx, device_id=xx) # 对以下参数device\device_id和engine进行修改 server.run(host=host, port=port, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 CPU # server.run(host=host, port=port, device=edge.Device.GPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 Nvidia GPU # server.run(host=host, port=port, device=edge.Device.CPU, engine=edge.Engine.PADDLE_LITE) # armv8 CPU ``` ## 2.初始化 * 接口 ```python def init(self, model_dir, device=Device.CPU, engine=Engine.PADDLE_FLUID, config_file='conf.json', preprocess_file='preprocess_args.json', model_file='model', params_file='params', label_file='label_list.txt', infer_cfg_file='infer_cfg.json', device_id=0, thread_num=1 ): """ Args: model_dir: str device: BaiduAI.EasyEdge.Device，比如：Device.CPU engine: BaiduAI.EasyEdge.Engine， 比如： Engine.PADDLE_FLUID config_file: str preprocess_file: str model_file: str params_file: str label_file: str 标签文件 infer_cfg_file: 包含预处理、后处理信息的文件 device_id: int 设备ID thread_num: int CPU的线程数 Raises: RuntimeError, IOError Returns: bool: True if success """ ``` 若返回不是True，请查看输出日志排查错误原因。 ## 3.SDK参数配置 使用 CPU 预测时，可以通过在 init 中设置 thread_num 使用多线程预测。如： ```python pred.init(model_dir=_model_dir, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID, thread_num=4) ``` 使用 GPU 预测时，可以通过在 init 中设置 device_id 指定需要的GPU device id。如： ```python pred.init(model_dir=_model_dir, device=edge.Device.GPU, engine=edge.Engine.PADDLE_FLUID, device_id=0) ``` ## 4.预测图像 * 接口 ```python def infer_image(self, img, threshold=0.3, channel_order='HWC', color_format='BGR', data_type='numpy'): """ Args: img: np.ndarray or bytes threshold: float only return result with confidence larger than threshold channel_order: string channel order HWC or CHW color_format: string color format order RGB or BGR data_type: string 仅在图像分割时有意义。 'numpy' or 'string' 'numpy': 返回已解析的mask 'string': 返回未解析的mask游程编码 Returns: list """ ``` * 返回格式: `[dict1, dict2, ...]` | 字段 | 类型 | 取值 | 说明 | | ---------- | -------------------- | --------- | ------------------------ | | confidence | float | 0~1 | 分类或检测的置信度 | | label | string | | 分类或检测的类别 | | index | number | | 分类或检测的类别 | | x1, y1 | float | 0~1 | 物体检测，矩形的左上角坐标 (相对长宽的比例值) | | x2, y2 | float | 0~1 | 物体检测，矩形的右下角坐标（相对长宽的比例值） | | mask | string/numpy.ndarray | 图像分割的mask | | ***关于矩形坐标*** x1 * 图片宽度 = 检测框的左上角的横坐标 y1 * 图片高度 = 检测框的左上角的纵坐标 x2 * 图片宽度 = 检测框的右下角的横坐标 y2 * 图片高度 = 检测框的右下角的纵坐标 可以参考 demo 文件中使用 opencv 绘制矩形的逻辑。 ***结果示例*** i) 图像分类 ```json { "index": 736, "label": "table", "confidence": 0.9 } ``` ii) 物体检测 ```json { "index": 8, "label": "cat", "confidence": 1.0, "x1": 0.21289, "y1": 0.12671, "x2": 0.91504, "y2": 0.91211, } ``` iii) 图像分割 ```json { "name": "cat", "score": 1.0, "location": { "left": ..., "top": ..., "width": ..., "height": ..., }, "mask": ... } ``` mask字段中，data_type为`numpy`时，返回图像掩码的二维数组 ``` { {0, 0, 0, 0, 0, 0, 0, 0, 0, 0}, {0, 0, 0, 1, 1, 1, 0, 0, 0, 0}, {0, 0, 0, 1, 1, 1, 0, 0, 0, 0}, {0, 0, 0, 1, 1, 1, 0, 0, 0, 0}, {0, 0, 0, 1, 1, 1, 0, 0, 0, 0}, {0, 0, 0, 0, 0, 0, 0, 0, 0, 0}, } 其中1代表为目标区域，0代表非目标区域 ``` data_type为`string`时，mask的游程编码，解析方式可参考 [demo](https://github.com/Baidu-AIP/EasyDL-Segmentation-Demo) # FAQ 1.执行infer_demo文件时，提示your generated code is out of date and must be regenerated with protoc >= 3.19.0 进入当前项目，首先卸载protobuf ```shell python3 -m pip uninstall protobuf ``` 安装低版本protobuf ```shell python3 -m pip install protobuf==3.19.0 ```