381 lines
12 KiB
Markdown
381 lines
12 KiB
Markdown
# 服务器端C++预测
|
||
|
||
本教程将介绍在服务器端部署PP-ShiTu的详细步骤。
|
||
|
||
## 目录
|
||
|
||
- [1.准备环境](#1)
|
||
- [1.1 升级cmake](#1.1)
|
||
- [1.2 编译opencv库](#1.2)
|
||
- [1.3 下载或者编译Paddle预测库](#1.3)
|
||
- [1.3.1 预测库源码编译](#1.3.1)
|
||
- [1.3.2 直接下载安装](#1.3.2)
|
||
- [1.4 安装faiss库](#1.4)
|
||
- [2.代码编译](#2)
|
||
- [3.运行demo](#3)
|
||
- [4.使用自己模型](#4)
|
||
|
||
<a name="1"></a>
|
||
|
||
## 1. 准备环境
|
||
|
||
### 运行准备
|
||
- Linux环境，推荐使用ubuntu docker。
|
||
|
||
<a name="1.1"></a>
|
||
|
||
### 1.1 升级cmake
|
||
|
||
由于依赖库编译需要较高版本的cmake，因此，第一步首先将cmake升级。
|
||
|
||
- 下载最新版本cmake
|
||
|
||
```shell
|
||
# 当前版本最新为3.22.0，根据实际情况自行下载，建议最新版本
|
||
wget https://github.com/Kitware/CMake/releases/download/v3.22.0/cmake-3.22.0.tar.gz
|
||
tar -xf cmake-3.22.0.tar.gz
|
||
```
|
||
|
||
最终可以在当前目录下看到`cmake-3.22.0/`的文件夹。
|
||
|
||
- 编译cmake，首先设置cmake源码路径(`root_path`)以及安装路径(`install_path`)，`root_path`为下载的cmake源码路径，`install_path`为cmake的安装路径。在本例中，源码路径即为当前目录下的`cmake-3.22.0/`。
|
||
|
||
```shell
|
||
cd ./cmake-3.22.0
|
||
export root_path=$PWD
|
||
export install_path=${root_path}/cmake
|
||
```
|
||
|
||
- 然后在cmake源码路径下，执行以下命令进行编译
|
||
|
||
```shell
|
||
./bootstrap --prefix=${install_path}
|
||
make -j
|
||
make install
|
||
```
|
||
|
||
- 编译安装cmake完成后，设置cmake的环境变量供后续程序使用
|
||
|
||
```shell
|
||
export PATH=${install_path}/bin:$PATH
|
||
#检查是否正常使用
|
||
cmake --version
|
||
```
|
||
|
||
此时cmake就可以正常使用了
|
||
|
||
<a name="1.2"></a>
|
||
|
||
### 1.2 编译opencv库
|
||
|
||
* 首先需要从opencv官网上下载在Linux环境下源码编译的包，以3.4.7版本为例，下载及解压缩命令如下：
|
||
|
||
```shell
|
||
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/test/opencv-3.4.7.tar.gz
|
||
tar -xvf 3.4.7.tar.gz
|
||
```
|
||
|
||
最终可以在当前目录下看到`opencv-3.4.7/`的文件夹。
|
||
|
||
* 编译opencv，首先设置opencv源码路径(`root_path`)以及安装路径(`install_path`)，`root_path`为下载的opencv源码路径，`install_path`为opencv的安装路径。在本例中，源码路径即为当前目录下的`opencv-3.4.7/`。
|
||
|
||
```shell
|
||
# 进入deploy/cpp_shitu目录
|
||
cd deploy/cpp_shitu
|
||
|
||
# 安装opencv
|
||
cd ./opencv-3.4.7
|
||
export root_path=$PWD
|
||
export install_path=${root_path}/opencv3
|
||
```
|
||
|
||
* 然后在opencv源码路径下，按照下面的方式进行编译。
|
||
|
||
```shell
|
||
rm -rf build
|
||
mkdir build
|
||
cd build
|
||
|
||
cmake .. \
|
||
-DCMAKE_INSTALL_PREFIX=${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PaddleClas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。
|
||
|
||
```log
|
||
opencv3/
|
||
├── bin
|
||
├── include
|
||
├── lib
|
||
├── lib64
|
||
└── share
|
||
```
|
||
|
||
<a name="1.3"></a>
|
||
|
||
### 1.3 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。
|
||
|
||
<a name="1.3.1"></a>
|
||
|
||
#### 1.3.1 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](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/05_inference_deployment/inference/build_and_install_lib_cn.html#id16)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。
|
||
|
||
```shell
|
||
# 进入deploy/cpp_shitu目录
|
||
cd deploy/cpp_shitu
|
||
|
||
git clone https://github.com/PaddlePaddle/Paddle.git
|
||
```
|
||
|
||
* 进入Paddle目录后，使用如下方法编译。
|
||
|
||
```shell
|
||
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。
|
||
|
||
```log
|
||
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。
|
||
|
||
<a name="1.3.2"></a>
|
||
|
||
#### 1.3.2 直接下载安装
|
||
|
||
* [Paddle预测库官网](https://paddle-inference.readthedocs.io/en/latest/user_guides/download_lib.html)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，注意必须选择`develop`版本。
|
||
|
||
以`https://paddle-inference-lib.bj.bcebos.com/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/paddle_inference.tgz`的`develop`版本为例，使用下述命令下载并解压：
|
||
|
||
|
||
```shell
|
||
# 进入deploy/cpp_shitu目录
|
||
cd deploy/cpp_shitu
|
||
|
||
wget https://paddle-inference-lib.bj.bcebos.com/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/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。
|
||
|
||
<a name="1.4"></a>
|
||
|
||
### 1.4 安装faiss库
|
||
|
||
在安装`faiss`前，请安装`openblas`，`ubuntu`系统中安装命令如下：
|
||
|
||
```shell
|
||
apt-get install libopenblas-dev
|
||
```
|
||
|
||
然后按照以下命令编译并安装faiss
|
||
|
||
```shell
|
||
# 进入deploy/cpp_shitu目录
|
||
cd deploy/cpp_shitu
|
||
|
||
# 下载 faiss
|
||
git clone https://github.com/facebookresearch/faiss.git
|
||
cd faiss
|
||
export faiss_install_path=$PWD/faiss_install
|
||
cmake -B build . -DFAISS_ENABLE_PYTHON=OFF -DCMAKE_INSTALL_PREFIX=${faiss_install_path}
|
||
make -C build -j faiss
|
||
make -C build install
|
||
```
|
||
|
||
注意本教程以安装faiss cpu版本为例，安装时请参考[faiss](https://github.com/facebookresearch/faiss)官网文档，根据需求自行安装。
|
||
|
||
<a name="2"></a>
|
||
|
||
## 2. 代码编译
|
||
|
||
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。同时，编译过程中需要下载编译`yaml-cpp`等C++库，请保持联网环境。
|
||
|
||
```shell
|
||
# 进入deploy/cpp_shitu目录
|
||
cd deploy/cpp_shitu
|
||
|
||
sh tools/build.sh
|
||
```
|
||
|
||
具体地，`tools/build.sh`中内容如下，请根据具体路径和配置情况进行修改。
|
||
|
||
```shell
|
||
OPENCV_DIR=${opencv_install_dir}
|
||
LIB_DIR=${paddle_inference_dir}
|
||
CUDA_LIB_DIR=/usr/local/cuda/lib64
|
||
CUDNN_LIB_DIR=/usr/lib/x86_64-linux-gnu/
|
||
FAISS_DIR=${faiss_install_dir}
|
||
FAISS_WITH_MKL=OFF
|
||
|
||
BUILD_DIR=build
|
||
rm -rf ${BUILD_DIR}
|
||
mkdir ${BUILD_DIR}
|
||
cd ${BUILD_DIR}
|
||
cmake .. \
|
||
-DPADDLE_LIB=${LIB_DIR} \
|
||
-DWITH_MKL=ON \
|
||
-DWITH_GPU=OFF \
|
||
-DWITH_STATIC_LIB=OFF \
|
||
-DUSE_TENSORRT=OFF \
|
||
-DOPENCV_DIR=${OPENCV_DIR} \
|
||
-DCUDNN_LIB=${CUDNN_LIB_DIR} \
|
||
-DCUDA_LIB=${CUDA_LIB_DIR} \
|
||
-DFAISS_DIR=${FAISS_DIR} \
|
||
-DFAISS_WITH_MKL=${FAISS_WITH_MKL}
|
||
|
||
make -j
|
||
cd ..
|
||
```
|
||
|
||
上述命令中，
|
||
|
||
* `OPENCV_DIR`：opencv编译安装的地址（本例中为`opencv-3.4.7/opencv3`文件夹的路径）；
|
||
* `LIB_DIR`：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`：cuda库文件地址，在docker中为`/usr/local/cuda/lib64`；
|
||
* `CUDNN_LIB_DIR`：cudnn库文件地址，在docker中为`/usr/lib/x86_64-linux-gnu/`。
|
||
* `TENSORRT_DIR`：tensorrt库文件地址，在dokcer中为`/usr/local/TensorRT6-cuda10.0-cudnn7/`，TensorRT需要结合GPU使用。
|
||
* `FAISS_DIR`：faiss的安装地址
|
||
* `FAISS_WITH_MKL`：指在编译faiss的过程中是否使用mkldnn，本文档中编译faiss没有使用，而使用了openblas，故设置为`OFF`，若使用了mkldnn则为`ON`.
|
||
|
||
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`pp_shitu`的可执行文件。
|
||
|
||
<a name="3"></a>
|
||
|
||
## 3. 运行demo
|
||
|
||
- 按照如下命令下载好相应的轻量级通用主体检测模型、轻量级通用识别模型及瓶装饮料测试数据并解压。
|
||
|
||
```shell
|
||
# 进入deploy目录
|
||
cd deploy/
|
||
|
||
mkdir models
|
||
cd models
|
||
|
||
# 下载并解压主体检测模型
|
||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
|
||
tar -xf picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
|
||
|
||
# 下载并解压特征提取模型
|
||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar
|
||
tar -xf general_PPLCNetV2_base_pretrained_v1.0_infer.tar
|
||
cd ..
|
||
|
||
mkdir data
|
||
cd data
|
||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/drink_dataset_v2.0.tar
|
||
tar -xf drink_dataset_v2.0.tar
|
||
cd ..
|
||
```
|
||
|
||
- 将相应的yaml文件拷到当前文件夹下
|
||
|
||
```shell
|
||
cp ../configs/inference_drink.yaml ./
|
||
```
|
||
|
||
- 将`inference_drink.yaml`中的相对路径，改成基于 `deploy/cpp_shitu` 目录的相对路径或者绝对路径。涉及到的参数有
|
||
|
||
- `Global.infer_imgs` ：此参数可以是具体的图像地址，也可以是图像集所在的目录
|
||
- `Global.det_inference_model_dir` ： 检测模型存储目录
|
||
- `Global.rec_inference_model_dir` ： 识别模型存储目录
|
||
- `IndexProcess.index_dir` ： 检索库的存储目录，在示例中，检索库在下载的demo数据中。
|
||
|
||
- 标签文件转换
|
||
|
||
由于python的检索库的字典是使用`pickle`转换得到的序列化存储结果，导致C++不方便读取，因此需要先转换成普通的文本文件。
|
||
|
||
```shell
|
||
python3.7 tools/transform_id_map.py -c inference_drink.yaml
|
||
```
|
||
|
||
转换成功后，在`IndexProcess.index_dir`目录下生成`id_map.txt`，以便在C++推理时读取。
|
||
|
||
- 执行程序
|
||
|
||
```shell
|
||
./build/pp_shitu -c inference_drink.yaml
|
||
```
|
||
|
||
默认以 `../drink_dataset_v2.0/test_images/100.jpeg` 作为输入图像，则执行上述推理命令可以得到如下结果
|
||
|
||
```log
|
||
../drink_dataset_v2.0/test_images/100.jpeg:
|
||
result0: bbox[437, 72, 660, 723], score: 0.769916, label: 元气森林
|
||
result1: bbox[220, 71, 449, 685], score: 0.695485, label: 元气森林
|
||
result2: bbox[795, 104, 979, 653], score: 0.626963, label: 元气森林
|
||
```
|
||
|
||
识别流程支持灵活配置，用户可以选择不使用主体检测模型，而直接将单幅整图输入到特征提取模型，计算特征向量供后续检索使用，从而减少整体识别流程的耗时。只需将`Global.det_inference_model_dir`后的字段改为`null`或者`""`，再运行以下推理命令即可
|
||
```shell
|
||
./build/pp_shitu -c inference_drink.yaml
|
||
```
|
||
|
||
最终输出结果如下
|
||
```log
|
||
Found 'Global.det_inference_model_dir' empty, so det_predictor is disabled
|
||
../drink_dataset_v2.0/test_images/100.jpeg:
|
||
result0: bbox[0, 0, 1199, 801], score: 0.568903, label: 元气森林
|
||
```
|
||
|
||
由于python和C++的opencv实现存在部分不同，可能导致python推理和C++推理结果有微小差异。但基本不影响最终的检索结果。
|
||
|
||
<a name="4"></a>
|
||
|
||
## 4. 使用自己模型
|
||
|
||
使用自己训练的模型，可以参考[模型导出](../export_model.md)，导出`inference model`，用于模型预测。
|
||
|
||
同时注意修改`yaml`文件中具体参数。
|