13 KiB
简介
本文档介绍如何将FastDeploy的Demo模型，替换成开发者自己训练的AI模型。（注意：FastDeploy下载的SDK和Demo仅支持相同算法模型的替换）。本文档要求开发者已经将Demo和SDK运行跑通，如果要了解运行跑通Demo和SDK指导文档，可以参考SDK使用文档
注意事项：
-
PP-PicoDet模型： 在FastDeploy中，支持PP-Picodet模型，是将后处理写到网络里面的方式（即后处理+NMS都在网络结构里面）。Paddle Detection导出静态模型时，有3种方法，选择将后处理和NMS导入到网络里面即可（参考导出部分）。详细网络区别，可以通过netron工具对比。
-
PP-Picodet模型：在FastDeploy中，支持PP-Picodet模型，是将前处理写在网络外面的方式。Paddle Detection中的TinyPose算法中，会将PP-PicoDet模型的前处理写入网络中。如果要使用FastDeploy的SDK进行模型替换，需要将前处理写到网络外面。（参考Detection中的导出命令，将TestReader.fuse_normalize=False即可）。
模型替换
开发者从PaddleDetection、PaddleClas、PaddleOCR、PaddleSeg等飞桨开发套件导出来的对应模型，完成 1.模型准备、1.模型名修改和模型label、3.修改配置文件 3步操作（需要相同算法才可替换），可完成自定义模型的模型文件，运行时指定新的模型文件，即可在自己训练的模型上实现相应的预测推理任务。
- Linux下模型资源文件夹路径：
EasyEdge-Linux-**/RES/。 - Windows下模型资源文件夹路径：
EasyEdge-Windows-**/data/model/。 - Android下模型资源文件夹路径：
EasyEdge-Android-**/app/src/assets/infer/和app/src/assets/demo/conf.json - iOS下模型资源文件夹路径：
EasyEdge-iOS-**/RES/easyedge/
主要涉及到下面4个模型相关的文件（mode、params、label_list.txt、infer_cfg.json）和一个APP名相关的配置文件（仅Android、iOS、HTTP需要，APP名字，非必需。）
-
├── RES、model、infer # 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 │ ├── model # 模型结构文件 │ ├── params # 模型参数文件 │ ├── label_list.txt # 模型标签文件 │ ├── infer_cfg.json # 模型前后处理等配置文件❗注意：OCR模型在ARM CPU硬件上（包括Android、Linux、iOS 三款操作系统），因为任务的特殊性，替换在 1.模型准备、1.模型名修改和模型label 不同于其他任务模型，详细参考下面步骤。
1.模型准备
1.1 Paddle模型
- 通过PaddleDetection、PaddleClas、PaddleOCR、PaddleSeg等导出来飞桨模型文件，包括如下文件（可能存在导出时修改了名字的情况，后缀
.pdmodel为模型网络结构文件，后缀.pdiparams为模型权重文件）：
model.pdmodel # 模型网络结构
model.pdiparams # 模型权重
model.yml # 模型的配置文件（包括预处理参数、模型定义等）
1.2 OCR模型特殊转换（仅在ARM CPU上需要）
因为推理引擎版本的问题，OCR模型需要在1.1 Paddle模型导出.pdmodel和.pdiparams模型后，多增加一步模型转换的特殊处理，主要执行下面2步：
1.2.1 下载模型转换工具
Linux 模型转换工具下载链接：opt_linux
M1 模型转换工具下载链接：opt_m1
mac 模型转换工具下载链接：opt_mac
1.2.2 模型转换
以下命令，以mac为例，完成模型转换。
* 转换 OCR 检测模型命名：
./opt_mac --model_dir=./ch_PP-OCRv3_det_infer/ --valid_targets=arm --optimize_out_type=naive_buffer --optimize_out=./ocr_det
* 转换 OCR 识别模型命名：
./opt_mac --model_dir=./ch_PP-OCRv3_rec_infer/ --valid_targets=arm --optimize_out_type=naive_buffer --optimize_out=./ocr_rec
产出：
1.3 其他框架模型
- 如果开发着是PyTorch、TensorFLow、Caffe、ONNX等其他框架模型，可以参考X2Paddle官网完成模型转换，即可得到对应的
model.pdmodel和model.pdiparams模型文件。
2.模型名修改和label文件准备
2.1 非OCR模型名修改
按照下面的规则，修改套件导出来的模型名和标签文件，并替换到模型资源文件中。
1. model.pdmodel 修改成 model
2. model.pdiparams 修改成 params
2.2 OCR模型名修改
1. ocr_det.nb 修改成 model # 将 检测模型 修改名称成 model
2. ocr_rec.nb 修改成 params # 将 识别模型 修改名称成 model
2.3 模型label文件
同时需要准备模型文件对应的label文件label_list.txt。label文件可以参考原Demo中label_list.txt的格式准备。
3. 修改模型相关配置文件
（1）infer_cfg.json 文件修改
所有程序开发者都需要关注该配置文件。开发者在自己数据/任务中训练模型，可能会修改输入图像尺寸、修改阈值等操作，因此需要根据训练情况修改Res文件夹下的infer_cfg.json文件中的对应。CV任务涉及到的配置文件修改包括如下字段：
1. "best_threshold": 0.3, #网络输出的阈值,根据开发者模型实际情况修改
2. "resize": [512, 512], #[w, h]网络输入图像尺寸,用户根据实际情况修改。
（2）conf.json 文件修改
仅Android、iOS、HTTP服务应用开发者，需要关注该配置文件。开发者根据自己应用程序命名需要，参考已有conf.json即可。
通常，开发者修改FastDeploy项目中的模型，涉及到主要是这几个配置信息的修改。FastDeploy详细的配置文件介绍参考完整配置文件说明。
测试效果
将自定义准备的RES文件，按照第2、3步完成修改后，参考可以参考SDK使用文档完成自己模型上的不同预测体验。
完整配置文件说明
1. 配置文件字段含义
模型资源文件infer_cfg.json涉及到大量不同算法的前后处理等信息，下表是相关的字段介绍，通常开发者如果没有修改算法前出处理，不需要关心这些字段。非标记【必须】的可不填。
{
"version": 1,
"model_info": {
"best_threshold": 0.3, // 默认0.3
"model_kind": 1, // 【必须】 1-分类，2-检测，6-实例分割，12-追踪，14-语义分割，401-人脸，402-姿态，10001-决策
},
"pre_process": { // 【必须】
// 归一化， 预处理会把图像 (origin_img - mean) * scale
"skip_norm": false, // 默认为false, 如果设置为true，不做mean scale处理
"mean": [123, 123, 123], // 【必须，一般不需要动】图像均值，已经根据Paddle套件均值做了转换处理，开发者如果没有修改套件参数，可以不用关注。（X-mean）/ scale
"scale": [0.017, 0.017, 0.017], // 【必须，一般不需要动】
"color_format": "RGB", // BGR 【必须，一般不需要动】
"channel_order": "CHW", // HWC
// 大小相关
"resize": [300, 300], // w, h 【必须】
"rescale_mode": "keep_size", // 默认keep_size， keep_ratio, keep_ratio2, keep_raw_size, warp_affine
"max_size": 1366, // keep_ratio 用。如果没有提供，则用 resize[0]
"target_size": 800, // keep_ratio 用。如果没有提供，则用 resize[1]
"raw_size_range": [100, 10000], // keep_raw_size 用
"warp_affine_keep_res": // warp_affine模式使用，默认为false
"center_crop_size": [224, 224]， // w, h, 如果需要做center_crop，则提供，否则，无需提供该字段
"padding": false,
"padding_mode": "padding_align32", // 【非必须】默认padding_align32, 其他可指定：padding_fill_size
"padding_fill_size": [416, 416], // 【非必须】仅padding_fill_size模式下需要提供, [fill_size_w, fill_size_h], 这里padding fill对齐paddle detection实现，在bottom和right方向实现补齐
"padding_fill_value": [114, 114, 114] // 【非必须】仅padding_fill_size模式下需要提供
// 其他
"letterbox": true,
},
"post_process": {
"box_normed": true, // 默认为true, 如果为false 则表示该模型的box坐标输出不是归一化的
}
}
2. 预处理顺序（没有的流程自动略过）
- 灰度图 -> rgb图变换
- resize 尺寸变换
- center_crop
- rgb/bgr变换
- padding_fill_size
- letterbox（画个厚边框，填上黑色）
- chw/hwc变换
- 归一化：mean, scale
- padding_align32
rescale_mode说明：
- keep_size: 将图片缩放到resize指定的大小
- keep_ratio:将图片按比例缩放，长边不超过max_size，短边不超过target_size
- keep_raw_size:保持原图尺寸，但必须在raw_size_range之间
- warp_affine: 仿射变换，可以设置warp_affine_keep_res指定是否keep_res，在keep_res为false场景下，宽高通过resize字段指定
FAQ
1. 如何处理一些 undefined reference / error while loading shared libraries?
如：./easyedge_demo: error while loading shared libraries: libeasyedge.so.1: cannot open shared object file: No such file or directory
遇到该问题时，请找到具体的库的位置，设置LD_LIBRARY_PATH；或者安装缺少的库。
示例一：libverify.so.1: cannot open shared object file: No such file or directory 链接找不到libveirfy.so文件，一般可通过 export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:../../lib 解决(实际冒号后面添加的路径以libverify.so文件所在的路径为准)
示例二：libopencv_videoio.so.4.5: cannot open shared object file: No such file or directory 链接找不到libopencv_videoio.so文件，一般可通过 export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:../../thirdparty/opencv/lib 解决(实际冒号后面添加的路径以libopencv_videoio.so所在路径为准)
示例三：GLIBCXX_X.X.X not found 链接无法找到glibc版本，请确保系统gcc版本>=SDK的gcc版本。升级gcc/glibc可以百度搜索相关文献。
2. 使用libcurl请求http服务时，速度明显变慢
这是因为libcurl请求continue导致server等待数据的问题，添加空的header即可
headers = curl_slist_append(headers, "Expect:");
3. 运行二进制时，提示 libverify.so cannot open shared object file
可能cmake没有正确设置rpath, 可以设置LD_LIBRARY_PATH为sdk的lib文件夹后，再运行：
LD_LIBRARY_PATH=$LD_LIBRARY_PATH:../lib ./easyedge_demo
4. 编译时报错：file format not recognized
可能是因为在复制SDK时文件信息丢失。请将整个压缩包复制到目标设备中，再解压缩、编译