mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-10-06 00:57:33 +08:00
370 lines
11 KiB
Markdown
370 lines
11 KiB
Markdown
# 简介
|
||
|
||
本文档介绍FastDeploy中的模型SDK，在**Intel x86_64 / NVIDIA GPU 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Linux C++请参考[Linux CPP环境下的推理部署](./Linux-CPP-SDK-Inference.md)文档。
|
||
|
||
<!--ts-->
|
||
|
||
* [简介](#简介)
|
||
|
||
* [环境准备](#环境准备)
|
||
|
||
* [1. SDK下载](#1-sdk下载)
|
||
* [2. Python环境](#2-python环境)
|
||
* [3. 安装依赖](#3-安装依赖)
|
||
* [3.1 安装paddlepaddle](#31-安装paddlepaddle)
|
||
* [3.2 安装EasyEdge Python Wheel 包](#32-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)
|
||
|
||
* [预测API流程详解](#预测api流程详解)
|
||
|
||
* [1. 基础流程](#1-基础流程)
|
||
* [2. 初始化](#2-初始化)
|
||
* [3. SDK参数配置](#3-sdk参数配置)
|
||
* [4. 预测图像](#4-预测图像)
|
||
|
||
* [FAQ](#faq)
|
||
|
||
<!--te-->
|
||
|
||
# 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。解压后SDK目录结构如下：
|
||
|
||
```shell
|
||
EasyEdge-Linux-x86-[部署芯片]
|
||
├── RES # 模型文件资源文件夹，可替换为其他模型
|
||
├── README.md
|
||
├── cpp # C++ SDK
|
||
└── python # Python SDK
|
||
```
|
||
|
||
## 2. Python环境
|
||
|
||
> 当前SDK仅支持Python 3.5, 3.6, 3.7
|
||
|
||
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
|
||
```
|
||
|
||
## 3. 安装依赖
|
||
|
||
### 3.1 安装paddlepaddle
|
||
|
||
根据具体的部署芯片（CPU/GPU）安装对应的PaddlePaddle的whl包。
|
||
|
||
`x86_64 CPU` 平台可以使用如下命令进行安装：
|
||
|
||
```shell
|
||
python3 -m pip install paddlepaddle==2.2.2 -i https://mirror.baidu.com/pypi/simple
|
||
```
|
||
|
||
NVIDIA GPU平台的详细安装教程可以参考[官网Paddle安装教程](https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/linux-pip.html)。
|
||
|
||
> 使用 NVIDIA GPU 预测时，必须满足：
|
||
>
|
||
> 1. 机器已安装 cuda, cudnn
|
||
> 2. 已正确安装对应 cuda 版本的paddle 版本
|
||
> 3. 通过设置环境变量`FLAGS_fraction_of_gpu_memory_to_use`设置合理的初始内存使用比例
|
||
|
||
### 3.2 安装EasyEdge Python Wheel 包
|
||
|
||
在`python`目录下，安装特定Python版本的EasyEdge Wheel包。对`x86_64 CPU` 或 `x86_64 Nvidia GPU平台 `可以使用如下命令进行安装，具体名称以 Python SDK 包中的 whl 为准。
|
||
|
||
```shell
|
||
python3 -m pip install -U BaiduAI_EasyEdge_SDK-{SDK版本号}-cp{Python版本号}-cp{Python版本号}m-linux_x86_64.whl
|
||
```
|
||
|
||
`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-{版本号}-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]
|
||
├──...
|
||
├──python # Linux Python SDK
|
||
├── # 特定Python版本的EasyEdge Wheel包, 二次开发可使用
|
||
├── BaiduAI_EasyEdge_SDK-1.2.8-cp35-cp35m-linux_x86_64.whl
|
||
├── BaiduAI_EasyEdge_SDK-1.2.8-cp36-cp36m-linux_x86_64.whl
|
||
├── BaiduAI_EasyEdge_SDK-1.2.8-cp37-cp37m-linux_x86_64.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 # tensor in/out demo文件
|
||
│ └── demo_xxx.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：
|
||
|
||
<div align=center><img src="https://user-images.githubusercontent.com/54695910/175854068-28d27c0a-ef83-43ee-9e89-b65eed99b476.jpg" width="400"></div>
|
||
|
||
```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。
|
||
|
||
# 预测API流程详解
|
||
|
||
本章节主要结合前文的Demo示例来介绍推理API，方便开发者学习并将运行库嵌入到开发者的程序当中，更详细的API请参考`infer_demo/demo_xx_xx.py`文件，查看下面的Python代码中的step注释说明。
|
||
|
||
## 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
|
||
|
||
"""
|
||
```
|
||
|
||
| 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
|
||
|
||
```text
|
||
{
|
||
{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
|
||
```
|