11 KiB

Raw Blame History

Linux GPU/CPU C++ 推理功能测试

Linux GPU/CPU C++ 推理功能测试的主程序为test_inference_cpp.sh，可以测试基于C++预测引擎的推理功能。

1. 测试结论汇总

推理相关：

算法名称	模型名称	device_CPU	device_GPU
MobileNetV3	MobileNetV3_large_x1_0	支持	支持
PP-ShiTu	PPShiTu_general_rec	支持	支持
PP-ShiTu	PPShiTu_mainbody_det	暂不支持	暂不支持
PPHGNet	PPHGNet_small	支持	支持
PPHGNet	PPHGNet_tiny	支持	支持
PPLCNet	PPLCNet_x0_25	支持	支持
PPLCNet	PPLCNet_x0_35	支持	支持
PPLCNet	PPLCNet_x0_5	支持	支持
PPLCNet	PPLCNet_x0_75	支持	支持
PPLCNet	PPLCNet_x1_0	支持	支持
PPLCNet	PPLCNet_x1_5	支持	支持
PPLCNet	PPLCNet_x2_0	支持	支持
PPLCNet	PPLCNet_x2_5	支持	支持
PPLCNetV2	PPLCNetV2_base	支持	支持
ResNet	ResNet50	支持	支持
ResNet	ResNet50_vd	支持	支持
SwinTransformer	SwinTransformer_tiny_patch4_window7_224	支持	支持

2. 测试流程(以ResNet50为例)

准备数据、准备推理模型、编译opencv、编译（下载）Paddle Inference、编译C++预测Demo（已写入prepare.sh自动执行，点击以展开详细内容或者折叠）

2.1 准备数据和推理模型

2.1.1 准备数据

默认使用./deploy/images/ILSVRC2012_val_00000010.jpeg作为测试输入图片。

2.1.2 准备推理模型

如果已经训练好了模型，可以参考模型导出，导出inference model，并将导出路径设置为./deploy/models/ResNet50_infer，导出完毕后文件结构如下

./deploy/models/ResNet50_infer/
├── inference.pdmodel
├── inference.pdiparams
└── inference.pdiparams.info

2.2 准备环境

2.2.1 运行准备

配置合适的编译和执行环境，其中包括编译器，cuda等一些基础库，建议安装docker环境，参考链接。

2.2.2 编译opencv库

首先需要从opencv官网上下载Linux环境下的源码，以3.4.7版本为例，下载及解压缩命令如下：

cd deploy/cpp
wget https://github.com/opencv/opencv/archive/3.4.7.tar.gz
tar -xvf 3.4.7.tar.gz

编译opencv，首先设置opencv源码路径(root_path)以及安装路径(install_path)，root_path为下载的opencv源码路径，install_path为opencv的安装路径。在本例中，源码路径即为当前目录下的opencv-3.4.7/。

cd ./opencv-3.4.7
export root_path=$PWD
export install_path=${root_path}/opencv3

然后在opencv源码路径下，按照下面的命令进行编译。

rm -rf build
mkdir build
cd build

cmake .. \
    -DCMAKE_INSTALL_PREFIX=${install_path} \
    -DCMAKE_BUILD_TYPE=Release \
    -DBUILD_SHARED_LIBS=OFF \
    -DWITH_IPP=OFF \
    -DBUILD_IPP_IW=OFF \
    -DWITH_LAPACK=OFF \
    -DWITH_EIGEN=OFF \
    -DCMAKE_INSTALL_LIBDIR=lib64 \
    -DWITH_ZLIB=ON \
    -DBUILD_ZLIB=ON \
    -DWITH_JPEG=ON \
    -DBUILD_JPEG=ON \
    -DWITH_PNG=ON \
    -DBUILD_PNG=ON \
    -DWITH_TIFF=ON \
    -DBUILD_TIFF=ON

make -j
make install

make install完成之后，会在该文件夹下生成opencv头文件和库文件，用于后面的代码编译。

以opencv3.4.7版本为例，最终在安装路径下的文件结构如下所示。注意：不同的opencv版本，下述的文件结构可能不同。

opencv3/
├── bin     :可执行文件
├── include :头文件
├── lib64   :库文件
└── share   :部分第三方库

2.2.3 下载或者编译Paddle预测库

有2种方式获取Paddle预测库，下面进行详细介绍。

预测库源码编译

如果希望获取最新预测库特性，可以从Paddle github上克隆最新代码，源码编译预测库。
可以参考Paddle预测库官网的说明，从github上获取Paddle代码，然后进行编译，生成最新的预测库。使用git获取代码方法如下。

git clone https://github.com/PaddlePaddle/Paddle.git

进入Paddle目录后，使用如下命令编译。

rm -rf build
mkdir build
cd build

cmake  .. \
    -DWITH_CONTRIB=OFF \
    -DWITH_MKL=ON \
    -DWITH_MKLDNN=ON  \
    -DWITH_TESTING=OFF \
    -DCMAKE_BUILD_TYPE=Release \
    -DWITH_INFERENCE_API_TEST=OFF \
    -DON_INFER=ON \
    -DWITH_PYTHON=ON
make -j
make inference_lib_dist

更多编译参数选项可以参考Paddle C++预测库官网：https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/05_inference_deployment/inference/build_and_install_lib_cn.html#id16。

编译完成之后，可以在build/paddle_inference_install_dir/文件下看到生成了以下文件及文件夹。

build/paddle_inference_install_dir/
├── CMakeCache.txt
├── paddle
├── third_party
└── version.txt

其中paddle就是之后进行C++预测时所需的Paddle库，version.txt中包含当前预测库的版本信息。

直接下载安装

Paddle预测库官网上提供了不同cuda版本的Linux预测库，可以在官网查看并选择合适的预测库版本。

以manylinux_cuda11.1_cudnn8.1_avx_mkl_trt7_gcc8.2版本为例，使用下述命令下载并解压：

wget https://paddle-inference-lib.bj.bcebos.com/2.2.2/cxx_c/Linux/GPU/x86-64_gcc8.2_avx_mkl_cuda11.1_cudnn8.1.1_trt7.2.3.4/paddle_inference.tgz

tar -xvf paddle_inference.tgz

最终会在当前的文件夹中生成paddle_inference/的子文件夹,文件内容和上述的paddle_inference_install_dir一样。

2.2.4 编译C++预测Demo

编译命令如下，其中Paddle C++预测库、opencv等其他依赖库的地址需要换成自己机器上的实际地址。

# 在deploy/cpp下执行以下命令
bash tools/build.sh

具体地，tools/build.sh中内容如下。

OPENCV_DIR=your_opencv_dir
LIB_DIR=your_paddle_inference_dir
CUDA_LIB_DIR=your_cuda_lib_dir
CUDNN_LIB_DIR=your_cudnn_lib_dir
TENSORRT_DIR=your_tensorrt_lib_dir

BUILD_DIR=build
rm -rf ${BUILD_DIR}
mkdir ${BUILD_DIR}
cd ${BUILD_DIR}
cmake .. \
    -DPADDLE_LIB=${LIB_DIR} \
    -DWITH_MKL=ON \
    -DDEMO_NAME=clas_system \
    -DWITH_GPU=OFF \
    -DWITH_STATIC_LIB=OFF \
    -DWITH_TENSORRT=OFF \
    -DTENSORRT_DIR=${TENSORRT_DIR} \
    -DOPENCV_DIR=${OPENCV_DIR} \
    -DCUDNN_LIB=${CUDNN_LIB_DIR} \
    -DCUDA_LIB=${CUDA_LIB_DIR} \

make -j

上述命令中，

OPENCV_DIR为opencv编译安装的地址（本例中需修改为opencv-3.4.7/opencv3文件夹的路径）；
LIB_DIR为下载的Paddle预测库（paddle_inference文件夹），或编译生成的Paddle预测库（build/paddle_inference_install_dir文件夹）的路径；
CUDA_LIB_DIR为cuda库文件地址，在docker中一般为/usr/local/cuda/lib64；
CUDNN_LIB_DIR为cudnn库文件地址，在docker中一般为/usr/lib64。
TENSORRT_DIR是tensorrt库文件地址，在dokcer中一般为/usr/local/TensorRT-7.2.3.4/，TensorRT需要结合GPU使用。

在执行上述命令，编译完成之后，会在当前路径下生成build文件夹，其中生成一个名为clas_system的可执行文件。

可执行以下命令，自动完成上述准备环境中的所需内容

bash test_tipc/prepare.sh test_tipc/config/ResNet/ResNet50_linux_gpu_normal_normal_infer_cpp_linux_gpu_cpu.txt cpp_infer

2.3 功能测试

测试方法如下所示，希望测试不同的模型文件，只需更换为自己的参数配置文件，即可完成对应模型的测试。

bash test_tipc/test_inference_cpp.sh ${your_params_file}

以ResNet50的Linux GPU/CPU C++推理测试为例，命令如下所示。

bash test_tipc/test_inference_cpp.sh test_tipc/config/ResNet/ResNet50_linux_gpu_normal_normal_infer_cpp_linux_gpu_cpu.txt

输出结果如下，表示命令运行成功。

Run successfully with command - ./deploy/cpp/build/clas_system -c inference_cls.yaml > ./test_tipc/output/ResNet50/cls_cpp_infer_gpu_usetrt_False_precision_fp32_batchsize_1.log 2>&1!
Run successfully with command - ./deploy/cpp/build/clas_system -c inference_cls.yaml > ./test_tipc/output/ResNet50/cls_cpp_infer_cpu_usemkldnn_False_threads_1_precision_fp32_batchsize_1.log 2>&1!

最终log中会打印出结果，如下所示

You are using Paddle compiled with TensorRT, but TensorRT dynamic library is not found. Ignore this if TensorRT is not needed.
=======Paddle Class inference config======
Global:
  infer_imgs: ./deploy/images/ILSVRC2012_val_00000010.jpeg
  inference_model_dir: ./deploy/models/ResNet50_infer
  batch_size: 1
  use_gpu: True
  enable_mkldnn: True
  cpu_num_threads: 10
  enable_benchmark: True
  use_fp16: False
  ir_optim: True
  use_tensorrt: False
  gpu_mem: 8000
  enable_profile: False
PreProcess:
  transform_ops:
    - ResizeImage:
        resize_short: 256
    - CropImage:
        size: 224
    - NormalizeImage:
        scale: 0.00392157
        mean: [0.485, 0.456, 0.406]
        std: [0.229, 0.224, 0.225]
        order: ""
        channel_num: 3
    - ToCHWImage: ~
PostProcess:
  main_indicator: Topk
  Topk:
    topk: 5
    class_id_map_file: ./ppcls/utils/imagenet1k_label_list.txt
  SavePreLabel:
    save_dir: ./pre_label/
=======End of Paddle Class inference config======
img_file_list length: 1
Current image path: ./deploy/images/ILSVRC2012_val_00000010.jpeg
Current total inferen time cost: 5449.39 ms.
	Top1: class_id: 153, score: 0.4144, label: Maltese dog, Maltese terrier, Maltese
	Top2: class_id: 332, score: 0.3909, label: Angora, Angora rabbit
	Top3: class_id: 229, score: 0.0514, label: Old English sheepdog, bobtail
	Top4: class_id: 204, score: 0.0430, label: Lhasa, Lhasa apso
	Top5: class_id: 265, score: 0.0420, label: toy poodle

详细log位于./test_tipc/output/ResNet50/cls_cpp_infer_gpu_usetrt_False_precision_fp32_batchsize_1.log和./test_tipc/output/ResNet50/cls_cpp_infer_cpu_usemkldnn_False_threads_1_precision_fp32_batchsize_1.log中。

如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。

11 KiB Raw Blame History Unescape Escape