mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-10-06 00:57:33 +08:00
36 lines
2.0 KiB
Markdown
36 lines
2.0 KiB
Markdown
# PaddleClas 量化模型 C++部署示例
|
||
本目录下提供的`infer.cc`,可以帮助用户快速完成PaddleClas量化模型在CPU/GPU上的部署推理加速.
|
||
|
||
## 部署准备
|
||
### FastDeploy环境准备
|
||
- 1. 软硬件环境满足要求，参考[FastDeploy环境要求](../../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
||
- 2. FastDeploy Python whl包安装，参考[FastDeploy Python安装](../../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
||
|
||
### 量化模型准备
|
||
- 1. 用户可以直接使用由FastDeploy提供的量化模型进行部署.
|
||
- 2. 用户可以使用FastDeploy提供的[一键模型自动化压缩工具](../../../../../../tools/auto_compression/),自行进行模型量化, 并使用产出的量化模型进行部署.(注意: 推理量化后的分类模型仍然需要FP32模型文件夹下的inference_cls.yaml文件, 自行量化的模型文件夹内不包含此yaml文件, 用户从FP32模型文件夹下复制此yaml文件到量化后的模型文件夹内即可.)
|
||
|
||
## 以量化后的ResNet50_Vd模型为例, 进行部署
|
||
在本目录执行如下命令即可完成编译,以及量化模型部署.
|
||
```bash
|
||
mkdir build
|
||
cd build
|
||
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-0.6.0.tgz
|
||
tar xvf fastdeploy-linux-x64-0.6.0.tgz
|
||
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-0.6.0
|
||
make -j
|
||
|
||
#下载FastDeloy提供的ResNet50_Vd量化模型文件和测试图片
|
||
wget https://bj.bcebos.com/paddlehub/fastdeploy/resnet50_vd_ptq.tar
|
||
tar -xvf resnet50_vd_ptq.tar
|
||
wget https://gitee.com/paddlepaddle/PaddleClas/raw/release/2.4/deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg
|
||
|
||
|
||
# 在CPU上使用ONNX Runtime推理量化模型
|
||
./infer_demo resnet50_vd_ptq ILSVRC2012_val_00000010.jpeg 0
|
||
# 在GPU上使用TensorRT推理量化模型
|
||
./infer_demo resnet50_vd_ptq ILSVRC2012_val_00000010.jpeg 1
|
||
# 在GPU上使用Paddle-TensorRT推理量化模型
|
||
./infer_demo resnet50_vd_ptq ILSVRC2012_val_00000010.jpeg 2
|
||
```
|