本教程将介绍基于Paddle Lite 在移动端部署PaddleDetection模型的详细步骤。
Paddle Lite是飞桨轻量化推理引擎，为手机、IOT端提供高效推理能力，并广泛整合跨平台硬件，为端侧部署及应用落地问题提供轻量化的部署方案。
- 电脑（编译Paddle Lite）
- 安卓手机（armv7或armv8）
交叉编译环境用于编译 Paddle Lite 和 PaddleDetection 的C++ demo。 支持多种开发环境，不同开发环境的编译流程请参考对应文档，请确保安装完成Java jdk、Android NDK(R17以上)。
预测库有两种获取方式：
注意：1. 如果是从 Paddle-Lite 官方文档下载的预测库，注意选择with_extra=ON，with_cv=ON的下载链接。2. 目前只提供Android端demo，IOS端demo可以参考Paddle-Lite IOS demo
- 编译Paddle-Lite得到预测库，Paddle-Lite的编译方式如下：
git clone https://github.com/PaddlePaddle/Paddle-Lite.git
cd Paddle-Lite
# 如果使用编译方式，建议使用develop分支编译预测库
git checkout develop
./lite/tools/build_android.sh --arch=armv8 --with_cv=ON --with_extra=ON注意：编译Paddle-Lite获得预测库时，需要打开--with_cv=ON --with_extra=ON两个选项，--arch表示arm版本，这里指定为armv8，更多编译命令介绍请参考链接。
直接下载预测库并解压后，可以得到inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/文件夹，通过编译Paddle-Lite得到的预测库位于Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/文件夹下。
预测库的文件目录如下：
inference_lite_lib.android.armv8/
|-- cxx C++ 预测库和头文件
| |-- include C++ 头文件
| | |-- paddle_api.h
| | |-- paddle_image_preprocess.h
| | |-- paddle_lite_factory_helper.h
| | |-- paddle_place.h
| | |-- paddle_use_kernels.h
| | |-- paddle_use_ops.h
| | `-- paddle_use_passes.h
| `-- lib C++预测库
| |-- libpaddle_api_light_bundled.a C++静态库
| `-- libpaddle_light_api_shared.so C++动态库
|-- java Java预测库
| |-- jar
| | `-- PaddlePredictor.jar
| |-- so
| | `-- libpaddle_lite_jni.so
| `-- src
|-- demo C++和Java示例代码
| |-- cxx C++ 预测库demo
| `-- java Java 预测库demo
Paddle-Lite 提供了多种策略来自动优化原始的模型，其中包括量化、子图融合、混合调度、Kernel优选等方法，使用Paddle-Lite的opt工具可以自动对inference模型进行优化，目前支持两种优化方式，优化后的模型更轻量，模型运行速度更快。
注意：如果已经准备好了 .nb 结尾的模型文件，可以跳过此步骤。
安装paddle_lite_opt工具有如下两种方法：
-
[建议]pip安装paddlelite并进行转换
pip install paddlelite
-
源码编译Paddle-Lite生成opt工具
模型优化需要Paddle-Lite的
opt可执行文件，可以通过编译Paddle-Lite源码获得，编译步骤如下：# 如果准备环境时已经clone了Paddle-Lite，则不用重新clone Paddle-Lite git clone https://github.com/PaddlePaddle/Paddle-Lite.git cd Paddle-Lite git checkout develop # 启动编译 ./lite/tools/build.sh build_optimize_tool
编译完成后，
opt文件位于build.opt/lite/api/下，可通过如下方式查看opt的运行选项和使用方式；cd build.opt/lite/api/ ./optopt的使用方式与参数与上面的paddle_lite_opt完全一致。
之后使用paddle_lite_opt工具可以进行inference模型的转换。paddle_lite_opt的部分参数如下：
| 选项 | 说明 |
|---|---|
| --model_file | 待优化的PaddlePaddle模型（combined形式）的网络结构文件路径 |
| --param_file | 待优化的PaddlePaddle模型（combined形式）的权重文件路径 |
| --optimize_out_type | 输出模型类型，目前支持两种类型：protobuf和naive_buffer，其中naive_buffer是一种更轻量级的序列化/反序列化实现，默认为naive_buffer |
| --optimize_out | 优化模型的输出路径 |
| --valid_targets | 指定模型可执行的backend，默认为arm。目前可支持x86、arm、opencl、npu、xpu，可以同时指定多个backend(以空格分隔)，Model Optimize Tool将会自动选择最佳方式。如果需要支持华为NPU（Kirin 810/990 Soc搭载的达芬奇架构NPU），应当设置为npu, arm |
更详细的paddle_lite_opt工具使用说明请参考使用opt转化模型文档
--model_file表示inference模型的model文件地址，--param_file表示inference模型的param文件地址；optimize_out用于指定输出文件的名称（不需要添加.nb的后缀）。直接在命令行中运行paddle_lite_opt，也可以查看所有参数及其说明。
下面以PaddleDetection中的 PP-YOLO-tiny 模型为例，介绍使用paddle_lite_opt完成预训练模型到inference模型，再到Paddle-Lite优化模型的转换。
# 进入PaddleDetection根目录
cd PaddleDetection_root_path
# 将预训练模型导出为inference模型
python tools/export_model.py -c configs/ppyolo/ppyolo_tiny_650e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/ppyolo_tiny_650e_coco.pdparams
# 将inference模型转化为Paddle-Lite优化模型
paddle_lite_opt --model_file=output_inference/ppyolo_tiny_650e_coco/model.pdmodel --param_file=output_inference/ppyolo_tiny_650e_coco/model.pdiparams --optimize_out=ppyolo_tiny最终在当前文件夹下生成ppyolo_tiny.nb的文件。
注意：--optimize_out 参数为优化后模型的保存路径，无需加后缀.nb；--model_file 参数为模型结构信息文件的路径，--param_file 参数为模型权重信息文件的路径，请注意文件名。
首先需要进行一些准备工作。
-
准备一台arm8的安卓手机，如果编译的预测库和opt文件是armv7，则需要arm7的手机，并修改Makefile中
ARM_ABI = arm7。 -
电脑上安装ADB工具，用于调试。 ADB安装方式如下：
2.1. MAC电脑安装ADB:
brew cask install android-platform-tools
2.2. Linux安装ADB
sudo apt update sudo apt install -y wget adb
2.3. Window安装ADB
win上安装需要去谷歌的安卓平台下载ADB软件包进行安装：链接
-
手机连接电脑后，开启手机
USB调试选项，选择文件传输模式，在电脑终端中输入：
adb devices如果有device输出，则表示安装成功，如下所示：
List of devices attached
744be294 device
- 准备优化后的模型、预测库文件、测试图像和类别映射文件。
cd PaddleDetection_root_path
cd deploy/lite/
# 将预测库文件、测试图像和使用的类别字典文件放置在预测库中的demo/cxx/detection文件夹下
inference_lite_path=/{lite prediction library path}/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.with_cv/
mkdir -p $inference_lite_path/demo/cxx/detection/debug/
cp ../../ppyolo_tiny.nb $inference_lite_path/demo/cxx/detection/debug/
cp ./coco_label_list.txt $inference_lite_path/demo/cxx/detection/debug/
cp Makefile run_detection.cc $inference_lite_path/demo/cxx/detection/
cp ./config_ppyolo_tiny.txt $inference_lite_path/demo/cxx/detection/debug/
cp ../../demo/000000014439.jpg $inference_lite_path/demo/cxx/detection/debug/
# 进入lite demo的工作目录
cd /{lite prediction library path}/inference_lite_lib.android.armv8/
cd demo/cxx/detection/
# 将C++预测动态库so文件复制到debug文件夹中
cp ../../../cxx/lib/libpaddle_light_api_shared.so ./debug/执行完成后，detection文件夹下将有如下文件格式：
demo/cxx/detection/
|-- debug/
| |--ppyolo_tiny.nb 优化后的检测器模型文件
| |--000000014439.jpg 待测试图像
| |--coco_label_list.txt 类别映射文件
| |--libpaddle_light_api_shared.so C++预测库文件
| |--config_ppyolo_tiny.txt 检测模型预测超参数配置
|-- run_detection.cc 目标检测代码文件
|-- Makefile 编译文件
注意：
-
上述文件中，
coco_label_list.txt是COCO数据集的类别映射文件，如果使用自定义的类别，需要更换该类别映射文件。 -
config_ppyolo_tiny.txt包含了检测器的超参数，如下：
model_file ./ppyolo_tiny.nb # 模型文件地址
label_path ./coco_label_list.txt # 类别映射文本文件
num_threads 1 # 线程数
enable_benchmark 1 # 是否运行benchmark
Resize 320,320 # resize图像尺寸
keep_ratio False # 是否keep ratio
mean 0.485,0.456,0.406 # 预处理均值
std 0.229,0.224,0.225 # 预处理方差
precision fp32 # 模型精度- 启动调试，上述步骤完成后就可以使用ADB将文件夹
debug/push到手机上运行，步骤如下：
# 执行编译，得到可执行文件detect_system
# 如果是编译armv7的执行程序，需要使用 Makefile_armv7 替换 Makefile 文件
make
# 将编译得到的可执行文件移动到debug文件夹中
mv detect_system ./debug/
# 将上述debug文件夹push到手机上
adb push debug /data/local/tmp/
adb shell
cd /data/local/tmp/debug
export LD_LIBRARY_PATH=/data/local/tmp/debug:$LD_LIBRARY_PATH
# detect_system可执行文件的使用方式为:
# ./detect_system 配置文件路径 测试图像路径
./detect_system ./config_ppyolo_tiny.txt ./000000014439.jpg如果对代码做了修改，则需要重新编译并push到手机上。
运行效果如下：
Q1：如果想更换模型怎么办，需要重新按照流程走一遍吗？
A1：如果已经走通了上述步骤，更换模型只需要替换 .nb 模型文件即可，同时要注意修改下配置文件中的 .nb 文件路径以及类别映射文件（如有必要）。
Q2：换一个图测试怎么做？
A2：替换 debug 下的测试图像为你想要测试的图像，使用 ADB 再次 push 到手机上即可。