[Model] Add picodet for RV1126 and A311D (#1549)

* add infer for picodet

* update code

* update lite lib

---------

Co-authored-by: DefTruth <31974251+DefTruth@users.noreply.github.com>

examples/vision/detection/paddledetection/rv1126/cpp/README_CN.md

@@ -1,7 +1,7 @@
 [English](README.md) | 简体中文
 # PP-YOLOE  量化模型 C++ 部署示例
 
-本目录下提供的 `infer.cc`，可以帮助用户快速完成 PP-YOLOE 量化模型在 RV1126 上的部署推理加速。
+本目录下提供的 `infer.cc`，可以帮助用户快速完成 PP-YOLOE 和 PicoDet 量化模型在 RV1126 上的部署推理加速。
 
 ## 部署准备
 ### FastDeploy 交叉编译环境准备
@@ -9,14 +9,14 @@
 
 ### 模型准备
 1. 用户可以直接使用由 FastDeploy 提供的量化模型进行部署。
-2. 用户可以先使用 PaddleDetection 自行导出 Float32 模型，注意导出模型模型时设置参数：use_shared_conv=False，更多细节请参考：[PP-YOLOE](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe)
+2. 用户可以先使用 PaddleDetection 自行导出 Float32 模型，注意导出 PP-YOLOE 模型时设置参数：use_shared_conv=False，更多细节请参考：[PP-YOLOE](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe)，导出 PicoDet 请参考：[PicoDet](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/picodet)
 3. 用户可以使用 FastDeploy 提供的[一键模型自动化压缩工具](../../../../../../tools/common_tools/auto_compression/)，自行进行模型量化, 并使用产出的量化模型进行部署。（注意: 推理量化后的检测模型仍然需要FP32模型文件夹下的 infer_cfg.yml 文件，自行量化的模型文件夹内不包含此 yaml 文件，用户从 FP32 模型文件夹下复制此yaml文件到量化后的模型文件夹内即可。）
 4. 模型需要异构计算，异构计算文件可以参考：[异构计算](./../../../../../../docs/cn/faq/heterogeneous_computing_on_timvx_npu.md)，由于 FastDeploy 已经提供了模型，可以先测试我们提供的异构文件，验证精度是否符合要求。
 
 更多量化相关相关信息可查阅[模型量化](../../quantize/README.md)
 
-## 在 RV1126 上部署量化后的 PP-YOLOE  检测模型
-请按照以下步骤完成在 RV1126 上部署 PP-YOLOE  量化模型：
+## 在 RV1126 上部署量化后的 PP-YOLOE 和 PicoDet 检测模型
+请按照以下步骤完成在 RV1126 上部署 PP-YOLOE 和 PicoDet 量化模型：
 1. 交叉编译编译 FastDeploy 库，具体请参考：[交叉编译 FastDeploy](../../../../../../docs/cn/build_and_install/rv1126.md#基于-paddlelite-的-fastdeploy-交叉编译库编译)
 
 2. 将编译后的库拷贝到当前目录，可使用如下命令：
@@ -28,9 +28,15 @@ cp -r FastDeploy/build/fastdeploy-timvx/ FastDeploy/examples/vision/detection/pa
 ```bash
 cd FastDeploy/examples/vision/detection/paddledetection/rv1126/cpp
 mkdir models && mkdir images
+# 下载 FastDeploy 准备的 PP-YOLOE 模型
 wget https://bj.bcebos.com/fastdeploy/models/ppyoloe_noshare_qat.tar.gz
 tar -xvf ppyoloe_noshare_qat.tar.gz
 cp -r ppyoloe_noshare_qat models
+# 下载 FastDeploy 准备的 PicoDet 模型
+wget https://bj.bcebos.com/fastdeploy/models/picodet_withNMS_quant_qat.tar.gz
+tar -xvf picodet_withNMS_quant_qat.tar.gz
+cp -r picodet_withNMS_quant_qat models
+# 下载 FastDeploy 准备的测试图片
 wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg
 cp -r 000000014439.jpg images
 ```
@@ -45,12 +51,13 @@ make install
 # 成功编译之后，会生成 install 文件夹，里面有一个运行 demo 和部署所需的库
 ```
 
-5. 基于 adb 工具部署 PP-YOLOE  检测模型到 Rockchip RV1126，可使用如下命令：
+5. 基于 adb 工具部署 PP-YOLOE 和 PicoDet 检测模型到 Rockchip RV1126，可使用如下命令：
 ```bash
 # 进入 install 目录
 cd FastDeploy/examples/vision/detection/paddledetection/rv1126/cpp/build/install/
 # 如下命令表示：bash run_with_adb.sh 需要运行的demo 模型路径 图片路径 设备的DEVICE_ID
-bash run_with_adb.sh infer_demo ppyoloe_noshare_qat 000000014439.jpg $DEVICE_ID
+bash run_with_adb.sh ppyoloe_infer_demo ppyoloe_noshare_qat 000000014439.jpg $DEVICE_ID
+bash run_with_adb.sh picodet_infer_demo picodet_withNMS_quant_qat 000000014439.jpg $DEVICE_ID
 ```
 
 部署成功后运行结果如下：