Paddle-Lite 安卓端部署

最近因為疫情原因宅在家里，就搜集了些照片用PaddleDetection訓練了一個口罩分類的模型，摸索了一下Paddle-Lite的Andriod部署，恰好Paddle-Lite最近也有比較大的迭代更新，這篇博客記錄了我的摸索過程和一點點心得。

我不太熟悉Andriod開發(fā)，此demo僅僅在Paddle-Lite-DemoPaddle-Lite-Demo的基礎上替換模型，修改了少量代碼，以跑通訓練和部署流程為目的。

如果此文能幫到大家，請給個小星星吧 Github

---

廢話不多說，先給大家展示一下效果：

因為本人爬蟲能力有限，也就搜集了600多張圖片，數(shù)據(jù)集太小，最后的mAP大概在90左右。

---

正文開始：

1.PaddlePaddle開發(fā)環(huán)境：

如果自己沒有支持CUDA的GPU設備的話可以選擇百度官方的AI-Studio。
自己有設備的話可以參照PaddleDection安裝說明配置開發(fā)環(huán)境。
注：請注意匹配PaddlePaddle版本（1.7）和PaddleDetection分支（0.2）。

2.模型訓練：

具體訓練流程請參考PaddleDetection官方教程。
我采用的模型是yolov3_mobilenet_v1。如果你還沒開始訓練的話，請你選擇yolo系列的模型，因為不同模型的輸入輸出有所不同。

3.模型導出：

假設你模型已經(jīng)訓練完畢并且保存在了

/_path_/_to_/_dir_/PaddleDetection/output/yolov3_mobilenet_v1_mask

請在PaddleDection目錄下執(zhí)行以下代碼：

python tools/export_model.py -c configs/yolov3_mobilenet_v1_mask.yml \--output_dir=./inference_model \-o weights=output/yolov3_mobilenet_v1_mask/model_final

預測模型會導出到inference_model/yolov3_mobilenet_v1_mask目錄下，模型名和參數(shù)名分別為__model__和__params__。
具體導出方法請參考：這里。

4.模型轉(zhuǎn)換：

工具準備

模型轉(zhuǎn)換需要用到Paddle-Lite提供的模型轉(zhuǎn)換工具：opt
這里我們使用Paddle-Lite官方發(fā)布的版本，Paddle-Lite Github倉庫的release界面，選擇release版本下載對應的轉(zhuǎn)化工具。
也可以參考文檔自行編譯。

轉(zhuǎn)換模型

我們將opt工具拷貝到PaddleDetection目錄下，執(zhí)行以下命令：

./opt --model_file=yolov3_mobilenet_v1_mask/__model__ \--param_file=/yolov3_mobilenet_v1_mask/__params__ \--optimize_out=mask \--optimize_out_type=naive_buffe

(3) 更詳盡的轉(zhuǎn)化命令總結(jié)：

./opt \--model_dir=<model_param_dir> \--model_file=<model_path> \--param_file=<param_path> \--optimize_out_type=(protobuf|naive_buffer) \--optimize_out=<output_optimize_model_dir> \--valid_targets=(arm|opencl|x86|npu|xpu) \--prefer_int8_kernel=(true|false) \--record_tailoring_info =(true|false) 選項 說明 --model_dir 待優(yōu)化的PaddlePaddle模型（非combined形式）的路徑 --model_file 待優(yōu)化的PaddlePaddle模型（combined形式）的網(wǎng)絡結(jié)構(gòu)文件路徑。 --param_file 待優(yōu)化的PaddlePaddle模型（combined形式）的權(quán)重文件路徑。 --optimize_out_type 輸出模型類型，目前支持兩種類型：protobuf和naive_buffer，其中naive_buffer是一種更輕量級的序列化/反序列化實現(xiàn)。若您需要在mobile端執(zhí)行模型預測，請將此選項設置為naive_buffer。默認為protobuf。 --optimize_out 優(yōu)化模型的輸出路徑。 --valid_targets 指定模型可執(zhí)行的backend，默認為arm。目前可支持x86、arm、opencl、npu、xpu，可以同時指定多個backend(以空格分隔)，Model Optimize Tool將會自動選擇最佳方式。如果需要支持華為NPU（Kirin 810/990 Soc搭載的達芬奇架構(gòu)NPU），應當設置為npu, arm。 --prefer_int8_kernel 若待優(yōu)化模型為int8量化模型（如量化訓練得到的量化模型），則設置該選項為true以使用int8內(nèi)核函數(shù)進行推理加速，默認為false。 --record_tailoring_info 當使用 根據(jù)模型裁剪庫文件 功能時，則設置該選項為true，以記錄優(yōu)化后模型含有的kernel和OP信息，默認為false。

** 如果待優(yōu)化的fluid模型是非combined形式，請設置–model_dir，忽略–model_file和–param_file。
如果待優(yōu)化的fluid模型是combined形式，請設置–model_file和–param_file，忽略–model_dir。
優(yōu)化后的模型為以.nb名稱結(jié)尾的單個文件。**

到這里我們已經(jīng)得到了mask.nb這個模型文件。

5. 準備Paddle-Lite-Demo

參考Github的readme準備demo。
在官方 release 預編譯庫下載編譯庫并替換demo中的庫，或者手動編譯。

Android更新預測庫

替換jar文件：將生成的build.lite.android.xxx.gcc/inference_lite_lib.android.xxx/java/jar/PaddlePredictor.jar替換demo中的Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/libs/PaddlePredictor.jar
替換arm64-v8a jni庫文件：將生成build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/java/so/libpaddle_lite_jni.so庫替換demo中的Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so
替換armeabi-v7a jni庫文件：將生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7/java/so/libpaddle_lite_jni.so庫替換demo中的Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/jniLibs/armeabi-v7a/libpaddle_lite_jni.so.

注意，一定要換的最新的預測庫

編譯運行object_detection_demo,確保能運行。

6.替換原demo中的模型

原demo運行成功，接下來該換上我們自己的模型了。

1. 將模型拷貝到 Paddle-Lite-Demo/PaddleLite-android-demo/object_detection_demo/app/src/main/assets/models/mask 目錄下并改名為model.nb。

2. 將訓練模型時的mask_label_list文件拷貝到 Paddle-Lite-Demo/PaddleLite-android-demo/object_detection_demo/app/src/main/assets/labels/mask_label_list 。

3. 修改 Paddle-Lite-Demo/PaddleLite-android-demo/object_detection_demo/app/src/main/res/values/strings.xml 文件。

<string name="MODEL_PATH_DEFAULT">models/mask</string> <string name="LABEL_PATH_DEFAULT">labels/mask_label_list</string><string name="INPUT_SHAPE_DEFAULT">1,3,320,320</string> <string name="INPUT_MEAN_DEFAULT">0.485,0.456,0.406</string> <string name="INPUT_STD_DEFAULT">0.229,0.224,0.225</string>

4.修改代碼：

將：

protected long[] inputShape = new long[]{1, 3, 300, 300}; protected float[] inputMean = new float[]{0.5f, 0.5f, 0.5f}; protected float[] inputStd = new float[]{0.5f, 0.5f, 0.5f};

修改為：

protected long[] inputShape = new long[]{1, 3, 320, 320}; protected float[] inputMean = new float[]{0.485f, 0.456f, 0.406f}; protected float[] inputStd = new float[]{0.229f, 0.224f, 0.225f};

** 其中320為模型中圖片輸入的大小，如果你的模型為608，請改成608。*

---

修改模型輸入部分為：

// Set input shapeTensor inputTensor0 = getInput(0);inputTensor0.resize(inputShape);Tensor inputTensor1 = getInput(1);inputTensor1.resize(new long[] {1,2});// Pre-process image, and feed input tensor with pre-processed dataDate start = new Date();int channels = (int) inputShape[1];int width = (int) inputShape[3];int height = (int) inputShape[2];float[] inputData = new float[channels * width * height];if (channels == 3) {int[] channelIdx = null;if (inputColorFormat.equalsIgnoreCase("RGB")) {channelIdx = new int[]{0, 1, 2};} else if (inputColorFormat.equalsIgnoreCase("BGR")) {channelIdx = new int[]{2, 1, 0};} else {Log.i(TAG, "Unknown color format " + inputColorFormat + ", only RGB and BGR color format is " +"supported!");return false;}int[] channelStride = new int[]{width * height, width * height * 2};for (int y = 0; y < height; y++) {for (int x = 0; x < width; x++) {int color = inputImage.getPixel(x, y);float[] rgb = new float[]{(float) red(color) / 255.0f, (float) green(color) / 255.0f,(float) blue(color) / 255.0f};inputData[y * width + x] = (rgb[channelIdx[0]] - inputMean[0]) / inputStd[0];inputData[y * width + x + channelStride[0]] = (rgb[channelIdx[1]] - inputMean[1]) / inputStd[1];inputData[y * width + x + channelStride[1]] = (rgb[channelIdx[2]] - inputMean[2]) / inputStd[2];}}} else if (channels == 1) {for (int y = 0; y < height; y++) {for (int x = 0; x < width; x++) {int color = inputImage.getPixel(x, y);float gray = (float) (red(color) + green(color) + blue(color)) / 3.0f / 255.0f;inputData[y * width + x] = (gray - inputMean[0]) / inputStd[0];}}} else {Log.i(TAG, "Unsupported channel size " + Integer.toString(channels) + ", only channel 1 and 3 is " +"supported!");return false;}inputTensor0.setData(inputData);inputTensor1.setData(new int[] {320,320});Date end = new Date();preprocessTime = (float) (end.getTime() - start.getTime());

修改模型的輸出的處理部分：
yolo 的模型輸出為坐標值，ssd為坐標點的相對值，這里統(tǒng)一/320 就轉(zhuǎn)換成了相對值，省去了調(diào)整加框部分代碼的麻煩。

// Post-processstart = new Date();long outputShape[] = outputTensor.shape();long outputSize = 1;for (long s : outputShape) {outputSize *= s;}outputImage = inputImage;outputResult = new String();Canvas canvas = new Canvas(outputImage);Paint rectPaint = new Paint();rectPaint.setStyle(Paint.Style.STROKE);rectPaint.setStrokeWidth(1);Paint txtPaint = new Paint();txtPaint.setTextSize(12);txtPaint.setAntiAlias(true);int txtXOffset = 4;int txtYOffset = (int) (Math.ceil(-txtPaint.getFontMetrics().ascent));int imgWidth = outputImage.getWidth();int imgHeight = outputImage.getHeight();int objectIdx = 0;final int[] objectColor = {0xFFFF00CC, 0xFFFF0000, 0xFFFFFF33, 0xFF0000FF, 0xFF00FF00,0xFF000000, 0xFF339933};for (int i = 0; i < outputSize; i += 6) {float score = outputTensor.getFloatData()[i + 1];if (score < scoreThreshold) {continue;}int categoryIdx = (int) outputTensor.getFloatData()[i];String categoryName = "Unknown";if (wordLabels.size() > 0 && categoryIdx >= 0 && categoryIdx < wordLabels.size()) {categoryName = wordLabels.get(categoryIdx);}float rawLeft = outputTensor.getFloatData()[i + 2]/320;float rawTop = outputTensor.getFloatData()[i + 3]/320;float rawRight = outputTensor.getFloatData()[i + 4]/320;float rawBottom = outputTensor.getFloatData()[i + 5]/320;float clampedLeft = Math.max(Math.min(rawLeft, 1.f), 0.f);float clampedTop = Math.max(Math.min(rawTop, 1.f), 0.f);float clampedRight = Math.max(Math.min(rawRight, 1.f), 0.f);float clampedBottom = Math.max(Math.min(rawBottom, 1.f), 0.f);float imgLeft = clampedLeft * imgWidth;float imgTop = clampedTop * imgWidth;float imgRight = clampedRight * imgHeight;float imgBottom = clampedBottom * imgHeight;int color = objectColor[objectIdx % objectColor.length];rectPaint.setColor(color);txtPaint.setColor(color);canvas.drawRect(imgLeft, imgTop, imgRight, imgBottom, rectPaint);canvas.drawText(objectIdx + "." + categoryName + ":" + String.format("%.3f", score),imgLeft + txtXOffset, imgTop + txtYOffset, txtPaint);outputResult += objectIdx + "." + categoryName + " - " + String.format("%.3f", score) +" [" + String.format("%.3f", rawLeft) + "," + String.format("%.3f", rawTop) + "," + String.format("%.3f", rawRight) + "," + String.format("%.3f", rawBottom) + "]\n";objectIdx++;}end = new Date();postprocessTime = (float) (end.getTime() - start.getTime());return true;

至此，Andriod端的部署就完成了。試著運行一下吧！

附

關(guān)于Andriod端部署：
直接替換模型不修改代碼的話是跑不通的，主要是因為屬于沒有預處理成模型的能接收的數(shù)據(jù)。
這里表現(xiàn)在:

原本SSD模型的輸入為：im [1,3,300,300] 而yolo的模型輸入要求為：input0: im [1,3,320,320]input1: im_sz[,320,320]

在替換模型之后記得要修改模型的與處理部分，以及模型輸出的處理部分。

如果對模型的部署還有問題，歡迎大家來paddle-lite官方群（696965088）和小伙伴們一起探討。

apk下載鏈接:https://pan.baidu.com/s/1uWTRb0EvV6gQJF8x8D2pPQ 密碼:utl2

模型文件下載鏈接:https://pan.baidu.com/s/1Qn3j8tBfHG5JOZ-Ye7oU-Q 密碼:cuir

完整代碼鏈接:https://github.com/ralph0813/Paddle_Lite_Object_Detection_Demo

如果對模型的部署還有問題，歡迎大家來paddle-lite官方群（696965088）和小伙伴們一起探討。

apk下載鏈接:https://pan.baidu.com/s/1uWTRb0EvV6gQJF8x8D2pPQ 密碼:utl2

模型文件下載鏈接:https://pan.baidu.com/s/1Qn3j8tBfHG5JOZ-Ye7oU-Q 密碼:cuir

完整代碼鏈接:https://github.com/ralph0813/Paddle_Lite_Object_Detection_Demo

注：僅供測試使用，非百度官方發(fā)布模型

總結(jié)

以上是生活随笔為你收集整理的Paddle-Lite 安卓端部署的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。