mirror of
https://github.com/PaddlePaddle/PaddleClas.git
synced 2025-06-03 21:55:06 +08:00
44 lines
2.4 KiB
Markdown
Executable File
44 lines
2.4 KiB
Markdown
Executable File
|
||
# PaddleClas 量化模型部署-FastDeploy
|
||
|
||
FastDeploy已支持部署量化模型,并提供一键模型自动化压缩的工具.
|
||
用户可以使用一键模型自动化压缩工具,自行对模型量化后部署, 也可以直接下载FastDeploy提供的量化模型进行部署.
|
||
|
||
## 1. FastDeploy一键模型自动化压缩工具
|
||
|
||
FastDeploy 提供了一键模型自动化压缩工具, 能够简单地通过输入一个配置文件, 对模型进行量化.
|
||
详细教程请见: [一键模型自动化压缩工具](https://github.com/PaddlePaddle/FastDeploy/tree/develop/tools/common_tools/auto_compression)。**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。
|
||
|
||
## 2. 下载量化完成的PaddleClas模型
|
||
|
||
用户也可以直接下载下表中的量化模型进行部署.(点击模型名字即可下载)
|
||
|
||
| 模型 | 量化方式 |
|
||
| [ResNet50_vd](https://bj.bcebos.com/paddlehub/fastdeploy/resnet50_vd_ptq.tar) | 离线量化 |
|
||
| [MobileNetV1_ssld](https://bj.bcebos.com/paddlehub/fastdeploy/mobilenetv1_ssld_ptq.tar) | 离线量化 |
|
||
|
||
量化后模型的Benchmark比较，请参考[量化模型 Benchmark](https://github.com/PaddlePaddle/FastDeploy/blob/develop/docs/cn/quantize.md)
|
||
|
||
## 3. 部署量化模型
|
||
|
||
### 3.1 部署代码
|
||
FastDeploy 部署量化模型与部署FP32模型完全一致, 用户只需要将输入的模型换为量化后的模型即可.
|
||
如果硬件在量化模型部署过程有特殊处理，也会在文档中特别标明.
|
||
因此本目录下，不提供代码文件, 量化模型部署参考对应的硬件部署即可, 具体请点击下一小节里的链接.
|
||
|
||
### 3.2 支持部署量化模型的硬件
|
||
|
||
|硬件类型|该硬件是否支持|使用指南|Python|C++|
|
||
|:---:|:---:|:---:|:---:|:---:|
|
||
|X86 CPU|✅|[链接](cpu-gpu)|✅|✅|
|
||
|NVIDIA GPU|✅|[链接](cpu-gpu)|✅|✅|
|
||
|飞腾CPU|✅|[链接](cpu-gpu)|✅|✅|
|
||
|ARM CPU|✅|[链接](cpu-gpu)|✅|✅|
|
||
|Intel GPU(集成显卡)|✅|[链接](cpu-gpu)|✅|✅|
|
||
|Intel GPU(独立显卡)|✅|[链接](cpu-gpu)|✅|✅|
|
||
|昆仑|✅|[链接](kunlunxin)|✅|✅|
|
||
|昇腾|✅|[链接](ascend)|✅|✅|
|
||
|瑞芯微|✅|[链接](rockchip)|✅|✅|
|
||
|晶晨|✅|[链接](amlogic)|--|✅|
|
||
|算能|✅|[链接](sophgo)|✅|✅|
|