服务器端C++预测

本教程将介绍在服务器端部署PP-ShiTu的详细步骤。

1. 准备环境

运行准备

Linux环境，推荐使用ubuntu docker。

1.1 升级cmake

由于依赖库编译需要较高版本的cmake，因此，第一步首先将cmake升级。

下载最新版本cmake

# 当前版本最新为3.22.0，根据实际情况自行下载，建议最新版本
wget https://github.com/Kitware/CMake/releases/download/v3.22.0/cmake-3.22.0.tar.gz
tar -xf cmake-3.22.0.tar.gz

最终可以在当前目录下看到cmake-3.22.0/的文件夹。

编译cmake，首先设置cmake源码路径(root_path)以及安装路径(install_path)，root_path为下载的cmake源码路径，install_path为cmake的安装路径。在本例中，源码路径即为当前目录下的cmake-3.22.0/。
```
cd ./cmake-3.22.0
export root_path=$PWD
export install_path=${root_path}/cmake
```
然后在cmake源码路径下，执行以下命令进行编译
```
./bootstrap --prefix=${install_path}
make -j
make install
```

编译安装cmake完成后，设置cmake的环境变量供后续程序使用

export PATH=${install_path}/bin:$PATH
#检查是否正常使用
cmake --version

此时cmake就可以正常使用了

1.2 编译opencv库

首先需要从opencv官网上下载在Linux环境下源码编译的包，以3.4.7版本为例，下载及解压缩命令如下：
```
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/test/opencv-3.4.7.tar.gz
tar -xvf 3.4.7.tar.gz
```
最终可以在当前目录下看到opencv-3.4.7/的文件夹。
编译opencv，首先设置opencv源码路径(root_path)以及安装路径(install_path)，root_path为下载的opencv源码路径，install_path为opencv的安装路径。在本例中，源码路径即为当前目录下的opencv-3.4.7/。
```
# 进入deploy/cpp_shitu目录
cd deploy/cpp_shitu

# 安装opencv
cd ./opencv-3.4.7
export root_path=$PWD
export install_path=${root_path}/opencv3
```

然后在opencv源码路径下，按照下面的方式进行编译。

rm -rf build
mkdir build
cd build

cmake .. \
    -DCMAKE_INSTALL_PREFIX=${install_path} \
    -DCMAKE_BUILD_TYPE=Release \
    -DBUILD_SHARED_LIBS=OFF \
    -DWITH_IPP=OFF \
    -DBUILD_IPP_IW=OFF \
    -DWITH_LAPACK=OFF \
    -DWITH_EIGEN=OFF \
    -DCMAKE_INSTALL_LIBDIR=lib64 \
    -DWITH_ZLIB=ON \
    -DBUILD_ZLIB=ON \
    -DWITH_JPEG=ON \
    -DBUILD_JPEG=ON \
    -DWITH_PNG=ON \
    -DBUILD_PNG=ON \
    -DWITH_TIFF=ON \
    -DBUILD_TIFF=ON

make -j
make install

make install完成之后，会在该文件夹下生成opencv头文件和库文件，用于后面的PaddleClas代码编译。

以opencv3.4.7版本为例，最终在安装路径下的文件结构如下所示。注意：不同的opencv版本，下述的文件结构可能不同。
```
opencv3/
├── bin
├── include
├── lib
├── lib64
└── share
```

1.3 下载或者编译Paddle预测库

有2种方式获取Paddle预测库，下面进行详细介绍。

1.3.1 预测库源码编译

如果希望获取最新预测库特性，可以从Paddle github上克隆最新代码，源码编译预测库。
可以参考Paddle预测库官网的说明，从github上获取Paddle代码，然后进行编译，生成最新的预测库。使用git获取代码方法如下。
```
# 进入deploy/cpp_shitu目录
cd deploy/cpp_shitu

git clone https://github.com/PaddlePaddle/Paddle.git
```

进入Paddle目录后，使用如下方法编译。

rm -rf build
mkdir build
cd build

cmake  .. \
    -DWITH_CONTRIB=OFF \
    -DWITH_MKL=ON \
    -DWITH_MKLDNN=ON  \
    -DWITH_TESTING=OFF \
    -DCMAKE_BUILD_TYPE=Release \
    -DWITH_INFERENCE_API_TEST=OFF \
    -DON_INFER=ON \
    -DWITH_PYTHON=ON

make -j
make inference_lib_dist

更多编译参数选项可以参考Paddle C++预测库官网。

编译完成之后，可以在build/paddle_inference_install_dir/文件下看到生成了以下文件及文件夹。
```
build/paddle_inference_install_dir/
├── CMakeCache.txt
├── paddle
├── third_party
└── version.txt
```
其中paddle就是之后进行C++预测时所需的Paddle库，version.txt中包含当前预测库的版本信息。

1.3.2 直接下载安装

Paddle预测库官网上提供了不同cuda版本的Linux预测库，可以在官网查看并选择合适的预测库版本，注意必须选择develop版本。

以https://paddle-inference-lib.bj.bcebos.com/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/paddle_inference.tgz的develop版本为例，使用下述命令下载并解压：
```
# 进入deploy/cpp_shitu目录
cd deploy/cpp_shitu

wget https://paddle-inference-lib.bj.bcebos.com/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/paddle_inference.tgz

tar -xvf paddle_inference.tgz
```
最终会在当前的文件夹中生成paddle_inference/的子文件夹。

1.4 安装faiss库

在安装faiss前，请安装openblas，ubuntu系统中安装命令如下：

apt-get install libopenblas-dev

然后按照以下命令编译并安装faiss

# 进入deploy/cpp_shitu目录
cd deploy/cpp_shitu

# 下载 faiss
git clone https://github.com/facebookresearch/faiss.git
cd faiss
export faiss_install_path=$PWD/faiss_install
cmake -B build . -DFAISS_ENABLE_PYTHON=OFF  -DCMAKE_INSTALL_PREFIX=${faiss_install_path}
make -C build -j faiss
make -C build install

注意本教程以安装faiss cpu版本为例，安装时请参考faiss官网文档，根据需求自行安装。

2. 代码编译

编译命令如下，其中Paddle C++预测库、opencv等其他依赖库的地址需要换成自己机器上的实际地址。同时，编译过程中需要下载编译yaml-cpp等C++库，请保持联网环境。

# 进入deploy/cpp_shitu目录
cd deploy/cpp_shitu

sh tools/build.sh

具体地，tools/build.sh中内容如下，请根据具体路径和配置情况进行修改。

OPENCV_DIR=${opencv_install_dir}
LIB_DIR=${paddle_inference_dir}
CUDA_LIB_DIR=/usr/local/cuda/lib64
CUDNN_LIB_DIR=/usr/lib/x86_64-linux-gnu/
FAISS_DIR=${faiss_install_dir}
FAISS_WITH_MKL=OFF

BUILD_DIR=build
rm -rf ${BUILD_DIR}
mkdir ${BUILD_DIR}
cd ${BUILD_DIR}
cmake .. \
    -DPADDLE_LIB=${LIB_DIR} \
    -DWITH_MKL=ON \
    -DWITH_GPU=OFF \
    -DWITH_STATIC_LIB=OFF \
    -DUSE_TENSORRT=OFF \
    -DOPENCV_DIR=${OPENCV_DIR} \
    -DCUDNN_LIB=${CUDNN_LIB_DIR} \
    -DCUDA_LIB=${CUDA_LIB_DIR} \
    -DFAISS_DIR=${FAISS_DIR} \
    -DFAISS_WITH_MKL=${FAISS_WITH_MKL}

make -j
cd ..

上述命令中，

OPENCV_DIR：opencv编译安装的地址（本例中为opencv-3.4.7/opencv3文件夹的路径）；
LIB_DIR：下载的Paddle预测库（paddle_inference文件夹），或编译生成的Paddle预测库（build/paddle_inference_install_dir文件夹）的路径；
CUDA_LIB_DIR：cuda库文件地址，在docker中为/usr/local/cuda/lib64；
CUDNN_LIB_DIR：cudnn库文件地址，在docker中为/usr/lib/x86_64-linux-gnu/。
TENSORRT_DIR：tensorrt库文件地址，在dokcer中为/usr/local/TensorRT6-cuda10.0-cudnn7/，TensorRT需要结合GPU使用。
FAISS_DIR：faiss的安装地址
FAISS_WITH_MKL：指在编译faiss的过程中是否使用mkldnn，本文档中编译faiss没有使用，而使用了openblas，故设置为OFF，若使用了mkldnn则为ON.

在执行上述命令，编译完成之后，会在当前路径下生成build文件夹，其中生成一个名为pp_shitu的可执行文件。

3. 运行demo

按照如下命令下载好相应的轻量级通用主体检测模型、轻量级通用识别模型及瓶装饮料测试数据并解压。

# 进入deploy目录
cd deploy/

mkdir models
cd models

# 下载并解压主体检测模型
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
tar -xf picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar

# 下载并解压特征提取模型
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar
tar -xf general_PPLCNetV2_base_pretrained_v1.0_infer.tar
cd ..

mkdir data
cd data
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/drink_dataset_v2.0.tar
tar -xf drink_dataset_v2.0.tar
cd ..

将相应的yaml文件拷到当前文件夹下
```
cp ../configs/inference_drink.yaml ./
```
将inference_drink.yaml中的相对路径，改成基于 deploy/cpp_shitu 目录的相对路径或者绝对路径。涉及到的参数有
- Global.infer_imgs ：此参数可以是具体的图像地址，也可以是图像集所在的目录
- Global.det_inference_model_dir ：检测模型存储目录
- Global.rec_inference_model_dir ：识别模型存储目录
- IndexProcess.index_dir ：检索库的存储目录，在示例中，检索库在下载的demo数据中。
标签文件转换

由于python的检索库的字典是使用pickle转换得到的序列化存储结果，导致C++不方便读取，因此需要先转换成普通的文本文件。
```
python3.7 tools/transform_id_map.py -c inference_drink.yaml
```
转换成功后，在IndexProcess.index_dir目录下生成id_map.txt，以便在C++推理时读取。
执行程序
```
./build/pp_shitu -c inference_drink.yaml
```
默认以 ../drink_dataset_v2.0/test_images/100.jpeg 作为输入图像，则执行上述推理命令可以得到如下结果
```
../drink_dataset_v2.0/test_images/100.jpeg:
      result0: bbox[437, 72, 660, 723], score: 0.769916, label: 元气森林
      result1: bbox[220, 71, 449, 685], score: 0.695485, label: 元气森林
      result2: bbox[795, 104, 979, 653], score: 0.626963, label: 元气森林
```
识别流程支持灵活配置，用户可以选择不使用主体检测模型，而直接将单幅整图输入到特征提取模型，计算特征向量供后续检索使用，从而减少整体识别流程的耗时。只需将Global.det_inference_model_dir后的字段改为null或者""，再运行以下推理命令即可
```
./build/pp_shitu -c inference_drink.yaml
```
最终输出结果如下
```
Found 'Global.det_inference_model_dir' empty, so det_predictor is disabled
../drink_dataset_v2.0/test_images/100.jpeg:
        result0: bbox[0, 0, 1199, 801], score: 0.568903, label: 元气森林
```
由于python和C++的opencv实现存在部分不同，可能导致python推理和C++推理结果有微小差异。但基本不影响最终的检索结果。

4. 使用自己模型

使用自己训练的模型，可以参考模型导出，导出inference model，用于模型预测。

同时注意修改yaml文件中具体参数。

PaddlePaddle/PaddleClas

服务器端C++预测

目录

1. 准备环境

运行准备

1.1 升级cmake

1.2 编译opencv库

1.3 下载或者编译Paddle预测库

1.3.1 预测库源码编译

1.3.2 直接下载安装

1.4 安装faiss库

2. 代码编译

3. 运行demo

4. 使用自己模型

简介

发行版

贡献者

近期动态

PaddlePaddle/PaddleClas .gitee-modal { width: 500px !important; }

服务器端C++预测

目录

1. 准备环境

运行准备

1.1 升级cmake

1.2 编译opencv库

1.3 下载或者编译Paddle预测库

1.3.1 预测库源码编译

1.3.2 直接下载安装

1.4 安装faiss库

2. 代码编译

3. 运行demo

4. 使用自己模型

简介

发行版

开源评估指数源自 OSS-Compass 评估体系，评估体系围绕以下三个维度对项目展开评估：

贡献者

近期动态

搜索帮助

PaddlePaddle/PaddleClas