mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-10-13 12:23:55 +08:00
76 lines
3.9 KiB
Markdown
Executable File
76 lines
3.9 KiB
Markdown
Executable File
# 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 YOLOv5 量化模型在 A311D 上的部署推理加速。
|
||
|
||
## 部署准备
|
||
### FastDeploy 交叉编译环境准备
|
||
1. 软硬件环境满足要求，以及交叉编译环境的准备，请参考：[FastDeploy 交叉编译环境准备](../../../../../../docs/cn/build_and_install/a311d.md#交叉编译环境搭建)
|
||
|
||
### 量化模型准备
|
||
可以直接使用由 FastDeploy 提供的量化模型进行部署，也可以按照如下步骤准备量化模型：
|
||
1. 按照 [YOLOv5](https://github.com/ultralytics/yolov5/releases/tag/v6.1) 官方导出方式导出 ONNX 模型，或者直接使用如下命令下载
|
||
```bash
|
||
wget https://paddle-slim-models.bj.bcebos.com/act/yolov5s.onnx
|
||
```
|
||
2. 准备 300 张左右量化用的图片，也可以使用如下命令下载我们准备好的数据。
|
||
```bash
|
||
wget https://bj.bcebos.com/fastdeploy/models/COCO_val_320.tar.gz
|
||
tar -xf COCO_val_320.tar.gz
|
||
```
|
||
3. 使用 FastDeploy 提供的[一键模型自动化压缩工具](../../../../../../tools/common_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。
|
||
```bash
|
||
fastdeploy compress --config_path=./configs/detection/yolov5s_quant.yaml --method='PTQ' --save_dir='./yolov5s_ptq_model_new/'
|
||
```
|
||
4. YOLOv5 模型需要异构计算，异构计算文件可以参考：[异构计算](./../../../../../../docs/cn/faq/heterogeneous_computing_on_timvx_npu.md)，由于 FastDeploy 已经提供了 YOLOv5 模型，可以先测试我们提供的异构文件，验证精度是否符合要求。
|
||
```bash
|
||
# 先下载我们提供的模型，解压后将其中的 subgraph.txt 文件拷贝到新量化的模型目录中
|
||
wget https://bj.bcebos.com/fastdeploy/models/yolov5s_ptq_model.tar.gz
|
||
tar -xvf yolov5s_ptq_model.tar.gz
|
||
```
|
||
|
||
更多量化相关相关信息可查阅[模型量化](../../quantize/README.md)
|
||
|
||
## 在 A311D 上部署量化后的 YOLOv5 检测模型
|
||
请按照以下步骤完成在 A311D 上部署 YOLOv5 量化模型：
|
||
1. 交叉编译编译 FastDeploy 库，具体请参考：[交叉编译 FastDeploy](../../../../../../docs/cn/build_and_install/a311d.md#基于-paddlelite-的-fastdeploy-交叉编译库编译)
|
||
|
||
2. 将编译后的库拷贝到当前目录，可使用如下命令：
|
||
```bash
|
||
cp -r FastDeploy/build/fastdeploy-timvx/ FastDeploy/examples/vision/detection/yolov5/a311d/cpp
|
||
```
|
||
|
||
3. 在当前路径下载部署所需的模型和示例图片：
|
||
```bash
|
||
cd FastDeploy/examples/vision/detection/yolov5/a311d/cpp
|
||
mkdir models && mkdir images
|
||
wget https://bj.bcebos.com/fastdeploy/models/yolov5s_ptq_model.tar.gz
|
||
tar -xvf yolov5s_ptq_model.tar.gz
|
||
cp -r yolov5s_ptq_model models
|
||
wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg
|
||
cp -r 000000014439.jpg images
|
||
```
|
||
|
||
4. 编译部署示例，可使入如下命令：
|
||
```bash
|
||
cd FastDeploy/examples/vision/detection/yolov5/a311d/cpp
|
||
mkdir build && cd build
|
||
cmake -DCMAKE_TOOLCHAIN_FILE=${PWD}/../fastdeploy-timvx/toolchain.cmake -DFASTDEPLOY_INSTALL_DIR=${PWD}/../fastdeploy-timvx -DTARGET_ABI=arm64 ..
|
||
make -j8
|
||
make install
|
||
# 成功编译之后，会生成 install 文件夹，里面有一个运行 demo 和部署所需的库
|
||
```
|
||
|
||
5. 基于 adb 工具部署 YOLOv5 检测模型到晶晨 A311D
|
||
```bash
|
||
# 进入 install 目录
|
||
cd FastDeploy/examples/vision/detection/yolov5/a311d/cpp/build/install/
|
||
# 如下命令表示：bash run_with_adb.sh 需要运行的demo 模型路径 图片路径 设备的DEVICE_ID
|
||
bash run_with_adb.sh infer_demo yolov5s_ptq_model 000000014439.jpg $DEVICE_ID
|
||
```
|
||
|
||
部署成功后，vis_result.jpg 保存的结果如下：
|
||
|
||
<img width="640" src="https://user-images.githubusercontent.com/30516196/203706969-dd58493c-6635-4ee7-9421-41c2e0c9524b.png">
|
||
|
||
需要特别注意的是，在 A311D 上部署的模型需要是量化后的模型，模型的量化请参考：[模型量化](../../../../../../docs/cn/quantize.md)
|