FastDeploy/examples/vision/detection/paddledetection/cpp

PaddleDetection C++部署示例

本目录下提供infer_xxx.cc快速完成PaddleDetection模型包括PPYOLOE/PicoDet/YOLOX/YOLOv3/PPYOLO/FasterRCNN在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。

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上推理为例，在本目录执行如下命令即可完成编译测试

#下载SDK，编译模型examples代码（SDK中包含了examples代码）
wget https://bj.bcebos.com/paddlehub/fastdeploy/libs/0.2.0/fastdeploy-linux-x64-gpu-0.2.0.tgz
tar xvf fastdeploy-linux-x64-gpu-0.2.0.tgz
cd fastdeploy-linux-x64-gpu-0.2.0/examples/vision/detection/paddledetection
mkdir build && cd build
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/../../../../../../../fastdeploy-linux-x64-gpu-0.2.0
make -j

# 下载PPYOLOE模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/picodet_l_320_coco_lcnet.tgz
wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000087038.jpg
tar xvf picodet_l_320_coco_lcnet.tgz


# CPU推理
./infer_ppyoloe_demo ./picodet_l_320_coco_lcnet 000000087038.jpg 0
# GPU推理
./infer_ppyoloe_demo ./picodet_l_320_coco_lcnet 000000087038.jpg 1
# GPU上TensorRT推理
./infer_ppyoloe_demo ./picodet_l_320_coco_lcnet 000000087038.jpg 2

PaddleDetection C++接口

模型类

PaddleDetection目前支持6种模型系列，类名分别为PPYOLOE, PicoDet, PaddleYOLOX, PPYOLO, FasterRCNN，所有类名的构造函数和预测函数在参数上完全一致，本文档以PPYOLOE为例讲解API

fastdeploy::vision::detection::PPYOLOE(
        const string& model_file,
        const string& params_file,
        const string& config_file
        const RuntimeOption& runtime_option = RuntimeOption(),
        const Frontend& model_format = Frontend::PADDLE)

PaddleDetection PPYOLOE模型加载和初始化，其中model_file为导出的ONNX模型格式。

参数

• model_file(str): 模型文件路径
• params_file(str): 参数文件路径
• config_file(str): 配置文件路径，即PaddleDetection导出的部署yaml文件
• runtime_option(RuntimeOption): 后端推理配置，默认为None，即采用默认配置
• model_format(Frontend): 模型格式，默认为PADDLE格式

Predict函数

PPYOLOE::Predict(cv::Mat* im, DetectionResult* result)

模型预测接口，输入图像直接输出检测结果。

参数

• im: 输入图像，注意需为HWC，BGR格式
• result: 检测结果，包括检测框，各个框的置信度, DetectionResult说明参考视觉模型预测结果

• 模型介绍
• Python部署
• 视觉模型预测结果