Linux平台部署¶
说明¶
本文档在 Linux平台使用GCC 4.8.5 和 GCC 4.9.4测试过，如果需要使用更高G++版本编译使用，则需要重新编译Paddle预测库，请参考: 从源码编译Paddle预测库。
前置条件¶
- G++ 4.8.2 ~ 4.9.4
- CUDA 9.0 / CUDA 10.0, CUDNN 7+ （仅在使用GPU版本的预测库时需要）
- CMake 3.0+
请确保系统已经安装好上述基本软件，下面所有示例以工作目录 /root/projects/演示。
Step1: 下载代码¶
git clone https://github.com/PaddlePaddle/PaddleX.git
cd PaddleX
git checkout release/1.3
说明：其中C++预测代码在/root/projects/PaddleX/deploy/cpp 目录，该目录不依赖任何PaddleX下其他目录。
Step2: 下载PaddlePaddle C++ 预测库 paddle_inference¶
PaddlePaddle C++ 预测库针对不同的CPU，CUDA，以及是否支持TensorRT，提供了不同的预编译版本，目前PaddleX依赖于Paddle1.8.4版本，以下提供了多个不同版本的Paddle预测库:
| 版本说明 | 预测库(1.8.4版本) |
|---|---|
| ubuntu14.04_cpu_avx_mkl | paddle_inference |
| ubuntu14.04_cpu_avx_openblas | paddle_inference |
| ubuntu14.04_cpu_noavx_openblas | paddle_inference |
| ubuntu14.04_cuda9.0_cudnn7_avx_mkl | paddle_inference |
| ubuntu14.04_cuda10.0_cudnn7_avx_mkl | paddle_inference |
更多和更新的版本，请根据实际情况下载: C++预测库下载列表
下载并解压后/root/projects/fluid_inference目录包含内容为：
fluid_inference
├── paddle # paddle核心库和头文件
|
├── third_party # 第三方依赖库和头文件
|
└── version.txt # 版本和编译信息
注意: 预编译版本除nv-jetson-cuda10-cudnn7.5-trt5 以外其它包都是基于GCC 4.8.5编译，使用高版本GCC可能存在 ABI兼容性问题，建议降级或自行编译预测库。
Step3: 编译¶
编译cmake的命令在scripts/build.sh中，请根据实际情况修改主要参数，其主要内容说明如下：
# 是否使用GPU(即是否使用 CUDA)
WITH_GPU=OFF
# 使用MKL or openblas
WITH_MKL=ON
# 是否集成 TensorRT(仅WITH_GPU=ON 有效)
WITH_TENSORRT=OFF
# TensorRT 的路径，如果需要集成TensorRT，需修改为您实际安装的TensorRT路径
TENSORRT_DIR=/root/projects/TensorRT/
# Paddle 预测库路径, 请修改为您实际安装的预测库路径
PADDLE_DIR=/root/projects/fluid_inference
# Paddle 的预测库是否使用静态库来编译
# 使用TensorRT时，Paddle的预测库通常为动态库
WITH_STATIC_LIB=OFF
# CUDA 的 lib 路径
CUDA_LIB=/usr/local/cuda/lib64
# CUDNN 的 lib 路径
CUDNN_LIB=/usr/local/cuda/lib64
# 是否加载加密后的模型
WITH_ENCRYPTION=ON
# 加密工具的路径, 如果使用自带预编译版本可不修改
sh $(pwd)/scripts/bootstrap.sh # 下载预编译版本的加密工具
ENCRYPTION_DIR=$(pwd)/paddlex-encryption
# OPENCV 路径, 如果使用自带预编译版本可不修改
sh $(pwd)/scripts/bootstrap.sh # 下载预编译版本的opencv
OPENCV_DIR=$(pwd)/deps/opencv3gcc4.8/
# 以下无需改动
rm -rf build
mkdir -p build
cd build
cmake .. \
-DWITH_GPU=${WITH_GPU} \
-DWITH_MKL=${WITH_MKL} \
-DWITH_TENSORRT=${WITH_TENSORRT} \
-DWITH_ENCRYPTION=${WITH_ENCRYPTION} \
-DTENSORRT_DIR=${TENSORRT_DIR} \
-DPADDLE_DIR=${PADDLE_DIR} \
-DWITH_STATIC_LIB=${WITH_STATIC_LIB} \
-DCUDA_LIB=${CUDA_LIB} \
-DCUDNN_LIB=${CUDNN_LIB} \
-DENCRYPTION_DIR=${ENCRYPTION_DIR} \
-DOPENCV_DIR=${OPENCV_DIR}
make
注意： linux环境下编译会自动下载OPENCV, PaddleX-Encryption和YAML，如果编译环境无法访问外网，可手动下载：
opencv3gcc4.8.tar.bz2文件下载后解压，然后在script/build.sh中指定OPENCE_DIR为解压后的路径。
paddlex-encryption.zip文件下载后解压，然后在script/build.sh中指定ENCRYPTION_DIR为解压后的路径。
yaml-cpp.zip文件下载后无需解压，在cmake/yaml.cmake中将URL https://bj.bcebos.com/paddlex/deploy/deps/yaml-cpp.zip 中的网址，改为下载文件的路径。
修改脚本设置好主要参数后，执行build脚本：
sh ./scripts/build.sh
Step4: 预测及可视化¶
在加载模型前，请检查你的模型目录中文件应该包括model.yml、__model__和__params__三个文件。如若不满足这个条件，请参考模型导出为Inference文档将模型导出为部署格式。
- 编译成功后，图片预测demo的可执行程序分别为
build/demo/detector，build/demo/classifier，build/demo/segmenter，用户可根据自己的模型类型选择，其主要命令参数说明如下：
| 参数 | 说明 |
|---|---|
| model_dir | 导出的预测模型所在路径 |
| image | 要预测的图片文件路径 |
| image_list | 按行存储图片路径的.txt文件 |
| use_gpu | 是否使用 GPU 预测, 支持值为0或1(默认值为0) |
| use_trt | 是否使用 TensorRT 预测, 支持值为0或1(默认值为0) |
| use_mkl | 是否使用 MKL加速CPU预测, 支持值为0或1(默认值为1) |
| mkl_thread_num | MKL推理的线程数，默认为cpu处理器个数 |
| gpu_id | GPU 设备ID, 默认值为0 |
| save_dir | 保存可视化结果的路径, 默认值为"output"，classfier无该参数 |
| key | 加密过程中产生的密钥信息，默认值为""表示加载的是未加密的模型 |
| batch_size | 预测的批量大小，默认为1 |
| thread_num | 预测的线程数，默认为cpu处理器个数 |
- 编译成功后，视频预测demo的可执行程序分别为
build/demo/video_detector，build/demo/video_classifier，build/demo/video_segmenter，用户可根据自己的模型类型选择，其主要命令参数说明如下：
| 参数 | 说明 |
|---|---|
| model_dir | 导出的预测模型所在路径 |
| use_camera | 是否使用摄像头预测，支持值为0或1(默认值为0) |
| camera_id | 摄像头设备ID，默认值为0 |
| video_path | 视频文件的路径 |
| use_gpu | 是否使用 GPU 预测, 支持值为0或1(默认值为0) |
| use_trt | 是否使用 TensorRT 预测, 支持值为0或1(默认值为0) |
| use_mkl | 是否使用 MKL加速CPU预测, 支持值为0或1(默认值为1) |
| mkl_thread_num | MKL推理的线程数，默认为cpu处理器个数 |
| gpu_id | GPU 设备ID, 默认值为0 |
| show_result | 对视频文件做预测时，是否在屏幕上实时显示预测可视化结果(因加入了延迟处理，故显示结果不能反映真实的帧率)，支持值为0或1(默认值为0) |
| save_result | 是否将每帧的预测可视结果保存为视频文件，支持值为0或1(默认值为1) |
| save_dir | 保存可视化结果的路径, 默认值为"output" |
| key | 加密过程中产生的密钥信息，默认值为""表示加载的是未加密的模型 |
注意：若系统无GUI，则不要将show_result设置为1。当使用摄像头预测时，按ESC键可关闭摄像头并推出预测程序。
样例¶
可使用小度熊识别模型中导出的inference_model和测试图片进行预测，导出到/root/projects，模型路径为/root/projects/inference_model。
关于预测速度的说明：加载模型后前几张图片的预测速度会较慢，这是因为运行启动时涉及到内存显存初始化等步骤，通常在预测20-30张图片后模型的预测速度达到稳定。
样例一：
不使用GPU测试图片 /root/projects/images/xiaoduxiong.jpeg
./build/demo/detector --model_dir=/root/projects/inference_model --image=/root/projects/images/xiaoduxiong.jpeg --save_dir=output
图片文件可视化预测结果会保存在save_dir参数设置的目录下。
样例二:
使用GPU预测多个图片/root/projects/image_list.txt，image_list.txt内容的格式如下：
/root/projects/images/xiaoduxiong1.jpeg
/root/projects/images/xiaoduxiong2.jpeg
...
/root/projects/images/xiaoduxiongn.jpeg
./build/demo/detector --model_dir=/root/projects/inference_model --image_list=/root/projects/images_list.txt --use_gpu=1 --save_dir=output --batch_size=2 --thread_num=2
图片文件可视化预测结果会保存在save_dir参数设置的目录下。
样例三：
使用摄像头预测：
./build/demo/video_detector --model_dir=/root/projects/inference_model --use_camera=1 --use_gpu=1 --save_dir=output --save_result=1
当save_result设置为1时，可视化预测结果会以视频文件的格式保存在save_dir参数设置的目录下。
样例四：
对视频文件进行预测：
./build/demo/video_detector --model_dir=/root/projects/inference_model --video_path=/path/to/video_file --use_gpu=1 --save_dir=output --show_result=1 --save_result=1
当save_result设置为1时，可视化预测结果会以视频文件的格式保存在save_dir参数设置的目录下。如果系统有GUI，通过将show_result设置为1在屏幕上观看可视化预测结果。