English | 简体中文
PaddleDetection A311D 量化模型 C++ 部署示例
本目录下提供的 infer.cc，可以帮助用户快速完成 PP-YOLOE 量化模型在 A311D 上的部署推理加速。
1. 部署环境准备
软硬件环境满足要求，以及交叉编译环境的准备，请参考：FastDeploy 晶晨 A311d 编译文档
2. 部署模型准备
- 用户可以直接使用由 FastDeploy 提供的量化模型进行部署。
- 用户可以先使用 PaddleDetection 自行导出 Float32 模型，注意导出模型模型时设置参数：use_shared_conv=False，更多细节请参考：PP-YOLOE
- 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: 推理量化后的检测模型仍然需要FP32模型文件夹下的 infer_cfg.yml 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。）
- 模型需要异构计算，异构计算文件可以参考：异构计算，由于 FastDeploy 已经提供了模型，可以先测试我们提供的异构文件，验证精度是否符合要求。
更多量化相关相关信息可查阅模型量化
3. 在 A311D 上部署量化后的 PP-YOLOE 检测模型
请按照以下步骤完成在 A311D 上部署 PP-YOLOE 量化模型：
-
交叉编译编译 FastDeploy 库，具体请参考：交叉编译 FastDeploy
-
将编译后的库拷贝到当前目录，可使用如下命令：
# 下载部署示例代码
git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection/deploy/fastdeploy/amlogic/a311d/cpp
# 注意：如果当前分支找不到下面的fastdeploy测试代码，请切换到develop分支
# git checkout develop
cp -r FastDeploy/build/fastdeploy-timvx/ PaddleDetection/deploy/fastdeploy/amlogic/a311d/cpp
- 在当前路径下载部署所需的模型和示例图片：
cd PaddleDetection/deploy/fastdeploy/amlogic/a311d/cpp
mkdir models && mkdir images
wget https://bj.bcebos.com/fastdeploy/models/ppyoloe_noshare_qat.tar.gz
tar -xvf ppyoloe_noshare_qat.tar.gz
cp -r ppyoloe_noshare_qat models
wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg
cp -r 000000014439.jpg images
- 编译部署示例，可使入如下命令：
cd PaddleDetection/deploy/fastdeploy/amlogic/a311d/cpp
mkdir build && cd build
cmake -DCMAKE_TOOLCHAIN_FILE=${PWD}/../fastdeploy-timvx/toolchain.cmake -DFASTDEPLOY_INSTALL_DIR=${PWD}/../fastdeploy-timvx -DTARGET_ABI=arm64 ..
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
- 基于 adb 工具部署 PP-YOLOE 检测模型到晶晨 A311D
# 进入 install 目录
cd PaddleDetection/deploy/fastdeploy/amlogic/a311d/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 ppyoloe_noshare_qat 000000014439.jpg $DEVICE_ID
部署成功后运行结果如下：
需要特别注意的是，在 A311D 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