PPshitu

PP识图 C++ API Demo 使用指南

在 IOS 上实现PP识图功能，此 Demo 有很好的的易用性和开放性，如在 Demo 中跑自己训练好的模型等。 本文主要介绍PP识图 Demo 运行方法和如何在更新模型/输入/输出处理下，保证PP识图 Demo 仍可继续运行。

如何运行PP识图 Demo

环境准备

1. 在本地环境安装好 Xcode 工具，详细安装方法请见Xcode 官网。
2. 准备一部 Iphone 手机，并在 Xcode 中连接自己的手机 （第一次连接 IPhone 到电脑时，需要在 IPhone 的 设置->通用->设备管理 中选择本电脑并信任）

部署步骤

1. PP识图 Demo 位于 Paddle-Lite-Demo/PP_shitu/ios/PPshitu 目录
2. cd Paddle-Lite-Demo/libs 目录，运行 download.sh 脚本，下载所需要的 Paddle Lite 预测库
3. cd Paddle-Lite-Demo/PP_shitu/assets 目录，运行 download.sh 脚本，下载 OPT 优化后模型

cd Paddle-Lite-Demo/libs
# 下载所需要的 Paddle Lite 预测库
sh download.sh
cd ../PP_shitu/assets
# 下载OPT 优化后模型
sh download.sh
cd ..

4. 用 Xcode 打开 PPshitu/PPshitu.xcodeproj 文件，修改工程配置。依次修改 General/Identity 和 Signing&Capabilities 属性，替换为自己的工程代号和团队名称。（必须修改，不然无法通过编译）

   

   

5. 选中 PPshitu/third-party 目录 ，右击选择 Add Files to "third-party" ... 选项，将预测库、Opencv库和 assets内容（模型、测试图片及标签文件）添加到工程中。操作过程如下图：

   

   • 添加 assets 案例

   

   • 添加预测库案例

     

   • 添加完成后，工程目录如下：

     

   注意： 如果觉得上述方法比较麻烦，可以使用工程下的 prepare.sh 脚本，完成上述资源的拷贝

     # path = Paddle-Lite-Demo/ios/PP_shitu
     sh prepare.sh

6. IPhone 手机连接电脑，在 Xcode 中连接自己的手机 （第一次连接 IPhone 到电脑时，需要在 IPhone 的 设置->通用->设备管理 中选择本电脑并信任）

7. 按下左上角的 Run 按钮，自动编译 APP 并安装到手机。在苹果手机中设置信任该 APP（进入 设置->通用->设备管理，选中新安装的 APP 并 验证该应用） 成功后效果如下：

APP 效果

更新预测库

*Paddle Lite 项目：https://github.com/PaddlePaddle/Paddle-Lite

• 参考 Paddle Lite 源码编译文档，编译 iOS 预测库
• 编译最终产物位于 build.lite.xxx.xxx.xxx 下的 inference_lite_lib.xxx.xxx
  • 替换 c++ 库
    • 头文件 将生成的 build.lite.ios.xxx.clang/inference_lite_lib.ios64.xxx/include 文件夹替换 Demo 中的 Paddle-Lite-Demo/PP_shitu/ios/PPshitu/shitu/third-party/PaddleLite/include
    • 替换 arm64-v8a 库 将生成的 build.lite.ios.ios64.armv8/inference_lite_lib.ios64.armv8/libs/libpaddle_api_light_bundled.a 库替换 Demo 中的 Paddle-Lite-Demo/PP_shitu/ios/PPshitu/shitu/third-party/PaddleLite/lib/libpaddle_api_light_bundled.a

注意： 如果要使用 armv7 库，则可将 armv7 库替换至相应目录下：

• armeabi-v7a 将生成的 build.lite.ios.ios.armv7/inference_lite_lib.ios.armv7/libs/libpaddle_api_light_bundled.a 库替换 Demo 中的 Paddle-Lite-Demo/PP_shitu/ios/PP_shitu/PP_shitu/third-party/PaddleLite/lib/libpaddle_api_light_bundled.a

Demo 内容介绍

先整体介绍下目标检测 Demo 的代码结构，然后再介绍 Demo 每部分功能.

整体结构介绍

1. third-party： 存放预测库、模型、测试图片等相关信息

   • assets: 存放预测资源
     • models：模型文件，opt 工具转化后 Paddle Lite 模型
     • images：测试图片
     • labels：标签文件
   • PaddleLite：存放 Paddle Lite 预测库和头文件
     • lib
     • include
   • opencv2.framework：opencv 库和头文件

   # 位置：
   PPshitu/shitu/third-party/
   example：
   # IOS 预测库
   PPshitu/shitu/third-party/PaddleLite/lib/libpaddle_api_light_bundled.a
   # 预测库头文件
   PPshitu/shitu/third-party/PaddleLite/include/paddle_api.h
   PPshitu/shitu/third-party/PaddleLite/include/paddle_use_kernels.h
   PPshitu/shitu/third-party/PaddleLite/include/paddle_use_ops.h

2. ViewController.mm：主要预测代码

  # 位置
  PPshitu/shitu/ViewController.mm

ViewController.mm 文件内容介绍

• viewDidLoad 方法 APP 界面初始化、推理引擎 predictor 创建和运行方法，这个方法包含界面参数获取、predictor 构建和运行、图像前/后处理等内容

• processImage 方法 实现图像输入变化时，进行新的推理，并获取相应的输出结果

代码讲解 （使用 Paddle Lite C++ API 执行预测）

IOS 示例基于 C++ API 开发，调用 Paddle Lite C++s API 包括以下五步。更详细的 API 描述参考：Paddle Lite C++ API 。

#include <iostream>
// 引入 C++ API
#include "include/paddle_api.h"
#include "include/paddle_use_ops.h"
#include "include/paddle_use_kernels.h"

// 1. 设置 MobileConfig
MobileConfig config;
config.set_model_from_file(<modelPath>); // 设置 NaiveBuffer 格式模型路径
config.set_power_mode(LITE_POWER_NO_BIND); // 设置 CPU 运行模式
config.set_threads(4); // 设置工作线程数

// 2. 创建 PaddlePredictor
std::shared_ptr<PaddlePredictor> predictor = CreatePaddlePredictor<MobileConfig>(config);

// 3. 设置输入数据
std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
input_tensor->Resize({1, 3, 224, 224});
auto* data = input_tensor->mutable_data<float>();
for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
  data[i] = 1;
}
// 如果输入是图片，则可在第三步时将预处理后的图像数据赋值给输入 Tensor

// 4. 执行预测
predictor->run();

// 5. 获取输出数据
std::unique_ptr<const Tensor> output_tensor(std::move(predictor->GetOutput(0)));
std::cout << "Output shape " << output_tensor->shape()[1] << std::endl;
for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) {
  std::cout << "Output[" << i << "]: " << output_tensor->data<float>()[i]
            << std::endl;
}

如何更新模型和输入/输出预处理

更新模型

1. 将优化后的模型存放到目录 third-party/assets/models/ 下；
2. 如果模型名字跟工程中模型名字一模一样，即均是使用 third-party/assets/models/model.nb，则代码不需更新；否则话，需要修改 ./ViewController.mm 中代码

  std::string det_model_path = app_dir + "/models/det_new.nb";
  std::string rec_model_path = app_dir + "/models/rec_new.nb";
  std::string label_path = app_dir + "/labels/label.txt";
  std::string img_path = app_dir + "/images/wu_ling.jpg";
  std::vector<int> det_input_shape{1,3,640,640};
  std::vector<int> rec_input_shape{1,3,224,224};
  std::vector<cv::Mat> batch_imgs;
  std::vector<PPShiTu::ObjectResult> det_result;
  int cpu_num_threads = 1;
  int warm_up = 0;
  int repeats = 1;
  pp_shitu =
        new PipeLine(det_model_path, rec_model_path, label_path, det_input_shape,
                     rec_input_shape, cpu_num_threads, warm_up, repeats);

注意：

• 如果更新后模型的输入信息如Shape、Tensor个数等发生改变，需要更新 object_detector.cc 和 recognition.cc 文件中 preprocess(...) 输入预处理方法，完成模型输入更新

• 如果更新后模型的输出信息发生改变，需要更新 object_detector.cc 和 recognition.cc 文件中 postprocess(...) 输出后处理方法，完成模型输出更新即可

• 如果需要更新 label.txt，则需将更新后的标签文件，存放至third-party/assets/labels/ 目录下。 若更新后标签名字不一样，应修改代码文件 ./ViewController.mm 中代码

  std::string det_model_path = app_dir + "/models/det.nb";
  std::string rec_model_path = app_dir + "/models/rec.nb";
  std::string label_path = app_dir + "/labels/new_label.txt";
  std::string img_path = app_dir + "/images/wu_ling.jpg";
  std::vector<int> det_input_shape{1,3,640,640};
  std::vector<int> rec_input_shape{1,3,224,224};
  std::vector<cv::Mat> batch_imgs;
  std::vector<PPShiTu::ObjectResult> det_result;
  int cpu_num_threads = 1;
  int warm_up = 0;
  int repeats = 1;
  pp_shitu =
        new PipeLine(det_model_path, rec_model_path, label_path, det_input_shape,
                     rec_input_shape, cpu_num_threads, warm_up, repeats);

更新输入/输出预处理

1. 更新输入数据

• 将更新的图片存放在 third-party/assets/images/ 下；
• 更新文件 detection_demo/ViewController.mm 中的代码

以更新 dog.jpg 为例，则先将 dog.jpg 存放在 third-party/assets/images/ 下，然后更新代码

  std::string det_model_path = app_dir + "/models/det_new.nb";
  std::string rec_model_path = app_dir + "/models/rec_new.nb";
  std::string label_path = app_dir + "/labels/label.txt";
  std::string img_path = app_dir + "/images/dog.jpg";
  std::vector<int> det_input_shape{1,3,640,640};
  std::vector<int> rec_input_shape{1,3,224,224};
  std::vector<cv::Mat> batch_imgs;
  std::vector<PPShiTu::ObjectResult> det_result;
  int cpu_num_threads = 1;
  int warm_up = 0;
  int repeats = 1;
  pp_shitu =
        new PipeLine(det_model_path, rec_model_path, label_path, det_input_shape,
                     rec_input_shape, cpu_num_threads, warm_up, repeats);

注意： 本 Demo 是支持图片/视频流/拍照三种输入方式，如果需更新输入图片建议通过 APP 的拍照或视频流方式进行更新，这样不用修改代码，则能正常推理。

2. 更新输入预处理 此处需要更新 object_detector.cc 和 recognition.cc 中的 preprocess(...) 输入预处理方法

3. 更新输出预处理 此处需要更新 object_detector.cc 和 recognition.cc 中的 postprocess(...) 输出后处理方法

其他文件

• time.h 包含常见的计时处理函数，用于计时处理

性能优化方法

如果你觉得当前性能不符合需求，想进一步提升模型性能，可参考首页中性能优化文档完成性能优化。