FastDeploy/examples/vision/segmentation/paddleseg/cpp

PaddleSeg C++部署示例

本目录下提供infer.cc快速完成Unet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CPU推理为例，在本目录执行如下命令即可完成编译测试

mkdir build
cd build
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/segmentation/paddleseg/cpp/build
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/../../../../../../../fastdeploy-linux-x64-gpu-0.2.0 
make -j

# 下载Unet模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/Unet_cityscapes_without_argmax_infer.tgz
tar -xvf Unet_cityscapes_without_argmax_infer.tgz
wget https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png


# CPU推理
./infer_demo Unet_cityscapes_without_argmax_infer infer.cc cityscapes_demo.png 0
# GPU推理
./infer_demo Unet_cityscapes_without_argmax_infer infer.cc cityscapes_demo.png 1
# GPU上TensorRT推理
./infer_demo Unet_cityscapes_without_argmax_infer infer.cc cityscapes_demo.png 2

运行完成可视化结果如下图所示

PaddleSeg C++接口

PaddleSeg类

fastdeploy::vision::segmentation::PaddleSegModel(
        const string& model_file,
        const string& params_file = "",
        const string& config_file,
        const RuntimeOption& runtime_option = RuntimeOption(),
        const Frontend& model_format = Frontend::PADDLE)

PaddleSegModel模型加载和初始化，其中model_file为导出的Paddle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): 推理部署配置文件
• 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

PaddleSegModel::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: 分割结果，包括分割预测的标签以及标签对应的概率值, SegmentationResult说明参考视觉模型预测结果

类成员属性

预处理参数

用户可按照自己的实际需求，修改下列预处理参数，从而影响最终的推理和部署效果

• is_vertical_screen(bool): PP-HumanSeg系列模型通过设置此参数为True表明输入图片是竖屏，即height大于width的图片

后处理参数

• with_softmax(bool): 当模型导出时，并未指定with_softmax参数，可通过此设置此参数为True，将预测的输出分割标签（label_map）对应的概率结果(score_map)做softmax归一化处理

• 模型介绍
• Python部署
• 视觉模型预测结果