FastDeploy/examples/vision/classification/paddleclas/rk1126/cpp

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

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，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

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

2. 将编译后的库拷贝到当前目录，可使用如下命令：

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：

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：

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：

# 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：

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