apps/FastDeploy
1
0
Fork 0
mirror of https://github.com/PaddlePaddle/FastDeploy.git synced 2025-10-05 16:48:03 +08:00
Code Issues Actions 2 Packages Projects Releases Wiki Activity
Files
1135d33dd71b8767761098f8acf2058d32d54c92
FastDeploy/examples/vision/detection/yolov5/quantize/cpp
History
huangjianhui 376fdbfe2c [Other] Update old Api to new ones (#861) 
* Update keypointdetection result docs

* Update im.copy() to im in examples

* Update new Api, fastdeploy::vision::Visualize to fastdeploy::vision

* Update SwapBackgroundSegmentation && SwapBackgroundMatting to SwapBackground

* Update README_CN.md

* Update README_CN.md
2022-12-14 17:25:58 +08:00
..
CMakeLists.txt
Add Examples to deploy quantized models (#342)
2022-10-14 13:35:45 +08:00
infer.cc
[Other] Update old Api to new ones (#861)
2022-12-14 17:25:58 +08:00
README.md
[Backend] Add YOLOv5、PPYOLOE and PP-Liteseg for RV1126 (#647)
2022-12-05 16:48:00 +08:00

README.md

YOLOv5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YOLOv5s量化模型在CPU/GPU上的部署推理加速.

部署准备

FastDeploy环境准备

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.
    1. 用户可以使用FastDeploy提供的一键模型自动化压缩工具,自行进行模型量化, 并使用产出的量化模型进行部署.

以量化后的YOLOv5s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.支持此模型需保证FastDeploy版本0.7.0以上(x.x.x>=0.7.0)

mkdir build
cd build
# 下载FastDeploy预编译库，用户可在上文提到的`FastDeploy预编译库`中自行选择合适的版本使用
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-x.x.x.tgz
tar xvf fastdeploy-linux-x64-x.x.x.tgz
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-x.x.x
make -j

#下载FastDeloy提供的yolov5s量化模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/yolov5s_quant.tar
tar -xvf yolov5s_quant.tar
wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg


# 在CPU上使用ONNX Runtime推理量化模型
./infer_demo yolov5s_quant 000000014439.jpg 0
# 在GPU上使用TensorRT推理量化模型
./infer_demo yolov5s_quant 000000014439.jpg 1
# 在GPU上使用Paddle-TensorRT推理量化模型
./infer_demo yolov5s_quant 000000014439.jpg 2