Skip to content

Latest commit

 

History

History
77 lines (56 loc) · 6.38 KB

README.md

File metadata and controls

77 lines (56 loc) · 6.38 KB
Raw

Paddle-Lite-Demo

功能

  • iOS示例:
    • 静态图像目标分类和视频流目标分类；
    • 静态图像目标检测、相机拍照目标检测、相机视频流目标检测;
  • Android示例: 基于MobileNetV1的图像分类示例程序；

要求

  • iOS

    • Mac机器，需要有xcode环境（已验证：Xcode Version 10.1 (10B61)
    • 对于ios 12.x版本，如果提示“xxx. which may not be supported by this version of Xcode”，请下载对应的工具包, 下载完成后解压放到/Applications/Xcode.app/Contents/Developer/Platforms/iPhoneOS.platform/DeviceSupport目录，重启xcode

  • Android

    • Android Studio 3.4
    • Android手机或开发版，NPU功能暂时只在麒麟810芯片的华为手机（如Nova5系列）进行了测试，使用前请将EMUI更新到最新版本；

    目前，由于NPU暂时需要full publish so lib模式下编译的libpaddle_lite_jni.so（相比tiny publish so lib模式下编译的libpaddle_lite_jni.so，文件尺寸会大很多），且需要在当前PaddleLite源码基础上做一些额外的修改，因此，建议用户暂时使用本DEMO中自带的libpaddle_lite_jni.so测试NPU功能。与此同时，我们也很快会对tiny publish so模式下编译的libpaddle_lite_jni.so增加NPU的支持，并且和华为合作进一步压缩HIAI so库的大小，向用户提供更加轻量级的so库。 如果你只想测试CPU的预测能力，且又非常在意so库的大小，建议参考Paddle Lite源码中自带的DEMO完成tiny publish so lib模式下libpaddle_lite_jni.so的编译、自带DEMO的Android工程的导入、编译和测试等工作。

安装

$ git clone https://github.com/PaddlePaddle/Paddle-Lite-Demo

  • iOS

    • 下载opencv framework, 下载完成后解压到ios-xxx_demo/xxx_demo/目录下
    wget https://paddle-inference-dist.bj.bcebos.com/PaddleLiteDemo/opencv2.framework.zip
    • 打开xcode，点击“Open another project…”打开Paddle-Lite-Demo/ios-xxx_demo/目录下的xcode工程；
    • 在选中左上角“project navigator”，选择“classification_demo”，修改“General”信息；
    • 插入ios真机（已验证：iphone8， iphonexr），选择Device为插入的真机；
    • 点击左上角“build and run”按钮；

  • Android

    • 打开Android Studio，在"Welcome to Android Studio"窗口点击"Open an existing Android Studio project"，在弹出的路径选择窗口中进入"PaddleLite-android-demo"目录，然后点击右下角的"Open"按钮即可导入工程
    • 通过USB连接Android手机或开发版；
    • 载入工程后，点击菜单栏的Run->Run 'App'按钮，在弹出的"Select Deployment Target"窗口选择已经连接的Android设备，然后点击"OK"按钮；
    • 手机上会出现Demo的主界面，选择第一个"Image Classification"图标，进入基于MobileNetV1的图像分类Demo，注："Object Detection"的Demo正在开发中，请忽略；
    • 在图像分类Demo中，默认会载入一张猫的图像，并会在图像下方给出CPU的预测结果，如果你使用的是麒麟810芯片的华为手机（如Nova5系列），可以通过按下右上角的"NPU"按钮切换成NPU进行预测；
    • 在图像分类Demo中，你还可以通过上方的"Gallery"和"Take Photo"按钮从相册或相机中加载测试图像；

更新到最新的预测库

IOS更新预测库

  • 替换库文件：产出的lib目录替换ios-classification_demo/classification_demo/lib目录
  • 替换头文件：产出的include目录下的文件替换ios-classification_demo/classification_demo/paddle_lite目录下的文件

Android更新预测库

  • 由于当前Android demo支持NPU需要full_publish模式下编译的libpaddle_lite_jni.so库，且需要在Paddle-Lite源码下使用$./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv8 --arm_lang=gcc build 命令进行编译生成armv64-v8a的libpaddle_lite_jni.so（armeabi-v7a的libpaddle_lite_jni.so的请将编译命令中的--arm_abi=armv8改为--arm_abi=armv7），但由于华为最新的DDK库并没有发布，可能无法完成相关编译工作，因此，如果想使用NPU功能，强烈建议使用demo中自带的libpaddle_lite_jni.so和HIAI DDK库；
  • 如果你不想使用NPU功能，且对libpaddle_lite_jni.so库大小非常敏感，你可以按照PaddleLite的编译文档在tiny_publish模式下编译生成tiny版libpaddle_lite_jni.so，同时需要修改Predictor.java部分代码，即修改loadModel函数的CxxConfig为MobileConfig，删除NPU模型加载代码，然后将assets目录里面的paddle fluid模型替换为na�ive buffer模型，建议参考PaddleLite源码中的内置demo代码；
  • 替换jar文件：将PaddleLite编译生成的build.lite.xxx.android.xxx.xxx/inference_lite_lib.android.xxx/java/jar/PaddlePredictor.jar替换demo中的PaddleLite-android-demo/app/libs/PaddlePredictor.jar
  • 替换jni库文件：将PaddleLite编译生成的build.lite.xxx.android.xxx.xxx/inference_lite_lib.android.xxx/java/so/libpaddle_lite_jni.so库替换demo中的PaddleLite-android-demo/app/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so（armeabi-v7a的libpaddle_lite_jni.so请替换demo中的PaddleLite-android-demo/app/src/main/jniLibs/armeabi-v7a/libpaddle_lite_jni.so）

效果展示

  • iOS

    • mobilenetv1 目标分类

    ios_static ios_video

    • mobilenetv1-ssd 目标检测

    ios_static ios_video

  • Android

    • CPU预测结果（测试环境：华为nova5）

    android_cat_cpu android_keyboard_cpu

    • NPU预测结果（测试环境：华为nova5）

    android_cat_npu android_keyboard_npu