FastDeploy/examples/vision/classification/paddleclas/c/README_CN.md

English | 简体中文

PaddleClas C 部署示例

本目录下提供infer_xxx.c来调用C API快速完成PaddleClas系列模型在CPU/GPU上部署的示例。

在部署前，需确认以下两个步骤

• 1. 软硬件环境满足要求，参考FastDeploy环境要求
• 2. 根据开发环境，下载预编译部署库和samples代码，参考FastDeploy预编译库

以Linux上ResNet50_vd推理为例，在本目录执行如下命令即可完成编译测试，支持此模型需保证FastDeploy版本1.0.4以上(x.x.x>=1.0.4)

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ResNet50_vd模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/ResNet50_vd_infer.tgz
tar -xvf ResNet50_vd_infer.tgz
wget https://gitee.com/paddlepaddle/PaddleClas/raw/release/2.4/deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg


# CPU推理
./infer_demo ResNet50_vd_infer ILSVRC2012_val_00000010.jpeg 0
# GPU推理
./infer_demo ResNet50_vd_infer ILSVRC2012_val_00000010.jpeg 1

以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考:

• 如何在Windows中使用FastDeploy C++ SDK

如果用户使用华为昇腾NPU部署, 请参考以下方式在部署前初始化部署环境:

• 如何使用华为昇腾NPU部署

PaddleClas C API接口

配置

FD_C_RuntimeOptionWrapper* FD_C_CreateRuntimeOptionWrapper()

创建一个RuntimeOption的配置对象，并且返回操作它的指针。

返回

• fd_c_runtime_option_wrapper(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption对象的指针

void FD_C_RuntimeOptionWrapperUseCpu(
     FD_C_RuntimeOptionWrapper* fd_c_runtime_option_wrapper)

开启CPU推理

参数

• fd_c_runtime_option_wrapper(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption对象的指针

void FD_C_RuntimeOptionWrapperUseGpu(
    FD_C_RuntimeOptionWrapper* fd_c_runtime_option_wrapper,
    int gpu_id)

开启GPU推理

参数

• fd_c_runtime_option_wrapper(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption对象的指针
• gpu_id(int): 显卡号

模型

FD_C_PaddleClasModelWrapper* FD_C_CreatePaddleClasModelWrapper(
    const char* model_file, const char* params_file, const char* config_file,
    FD_C_RuntimeOptionWrapper* runtime_option,
    const FD_C_ModelFormat model_format)

创建一个PaddleClas的模型，并且返回操作它的指针。

参数

• model_file(const char*): 模型文件路径
• params_file(const char*): 参数文件路径
• config_file(const char*): 配置文件路径，即PaddleClas导出的部署yaml文件
• runtime_option(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption的指针，表示后端推理配置
• model_format(FD_C_ModelFormat): 模型格式

返回

• fd_c_ppclas_wrapper(FD_C_PaddleClasModelWrapper*): 指向PaddleClas模型对象的指针

读写图像

FD_C_Mat FD_C_Imread(const char* imgpath)

读取一个图像，并且返回cv::Mat的指针。

参数

• imgpath(const char*): 图像文件路径

返回

• imgmat(FD_C_Mat): 指向图像数据cv::Mat的指针。

FD_C_Bool FD_C_Imwrite(const char* savepath,  FD_C_Mat img);

将图像写入文件中。

参数

• savepath(const char*): 保存图像的路径
• img(FD_C_Mat): 指向图像数据的指针

返回

• result(FD_C_Bool): 表示操作是否成功

Predict函数

FD_C_Bool FD_C_PaddleClasModelWrapperPredict(
    __fd_take FD_C_PaddleClasModelWrapper* fd_c_ppclas_wrapper, FD_C_Mat img,
    FD_C_ClassifyResult* fd_c_ppclas_result)

模型预测接口，输入图像直接并生成分类结果。

参数

• fd_c_ppclas_wrapper(FD_C_PaddleClasModelWrapper*): 指向PaddleClas模型的指针
• img（FD_C_Mat）: 输入图像的指针，指向cv::Mat对象，可以调用FD_C_Imread读取图像获取
• fd_c_ppclas_result（FD_C_ClassifyResult*): 分类结果，包括label_id，以及相应的置信度, ClassifyResult说明参考视觉模型预测结果

Predict结果

void FD_C_ClassifyResultStr(
    FD_C_ClassifyResult* fd_c_classify_result， char* str_buffer);

打印结果

参数

• fd_c_classify_result(FD_C_ClassifyResult*): 指向FD_C_ClassifyResult对象的指针
• str_buffer(char*): 保存结果数据信息的字符串

• 模型介绍
• Python部署
• 视觉模型预测结果
• 如何切换模型推理后端引擎