mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-10-07 09:31:35 +08:00
fa807340be
* add rk1126 support * update lib * fix compile bugs * update doc * fix complie bug * update doc * update doc * update code * support model bigger than 2G * update code * update code * update code * update doc * update code * fix bug * update code * update code * update code * update doc * update info * code style check * update code * update doc Co-authored-by: Jason <jiangjiajun@baidu.com>
54 lines
3.0 KiB
Markdown
Executable File
54 lines
3.0 KiB
Markdown
Executable File
# PaddleClas RK1126开发板 C++ 部署示例
|
||
本目录下提供的 `infer.cc`，可以帮助用户快速完成 PaddleClas 量化模型在 RK1126 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/rk1126.md#交叉编译环境搭建)
|
||
|
||
### 量化模型准备
|
||
- 1. 用户可以直接使用由 FastDeploy 提供的量化模型进行部署。
|
||
- 2. 用户可以使用 FastDeploy 提供的[一键模型自动化压缩工具](../../../../../../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。(注意: 推理量化后的分类模型仍然需要FP32模型文件夹下的inference_cls.yaml文件, 自行量化的模型文件夹内不包含此 yaml 文件, 用户从 FP32 模型文件夹下复制此 yaml 文件到量化后的模型文件夹内即可.)
|
||
- 更多量化相关相关信息可查阅[模型量化](../../quantize/README.md)
|
||
|
||
## 在 RK1126 上部署量化后的 ResNet50_Vd 分类模型
|
||
请按照以下步骤完成在 RK1126 上部署 ResNet50_Vd 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/rk1126.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-tmivx/ FastDeploy/examples/vision/classification/paddleclas/rk1126/cpp/
|
||
```
|
||
|
||
3. 在当前路径下载部署所需的模型和示例图片：
|
||
```bash
|
||
mkdir models && mkdir images
|
||
wget https://bj.bcebos.com/paddlehub/fastdeploy/ResNet50_vd_infer.tgz
|
||
tar -xvf ResNet50_vd_infer.tgz
|
||
cp -r ResNet50_vd_infer models
|
||
wget https://gitee.com/paddlepaddle/PaddleClas/raw/release/2.4/deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg
|
||
cp -r ILSVRC2012_val_00000010.jpeg images
|
||
```
|
||
|
||
4. 编译部署示例，可使入如下命令：
|
||
```bash
|
||
mkdir build && cd build
|
||
cmake -DCMAKE_TOOLCHAIN_FILE=../fastdeploy-tmivx/timvx.cmake -DFASTDEPLOY_INSTALL_DIR=fastdeploy-tmivx ..
|
||
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 ResNet50_vd 分类模型到 Rockchip RV1126，可使用如下命令：
|
||
```bash
|
||
# 进入 install 目录
|
||
cd FastDeploy/examples/vision/classification/paddleclas/rk1126/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 ResNet50_vd_infer ILSVRC2012_val_00000010.jpeg $DEVICE_ID
|
||
```
|
||
|
||
部署成功后运行结果如下：
|
||
|
||
<img width="640" src="https://user-images.githubusercontent.com/30516196/200767389-26519e50-9e4f-4fe1-8d52-260718f73476.png">
|
||
|
||
需要特别注意的是，在 RK1126 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)
|