mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2026-04-26 18:20:06 +08:00
yeliang2258
104d965b38
* add yolov5 and ppyoloe for rk1126 * update code, rename rk1126 to rv1126 * add PP-Liteseg * update lite lib * updade doc for PPYOLOE * update doc * fix docs * fix doc and examples * update code * uodate doc * update doc Co-authored-by: Jason <jiangjiajun@baidu.com>
32 lines
2.0 KiB
Markdown
Executable File
32 lines
2.0 KiB
Markdown
Executable File
# PaddleSeg 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PaddleSeg量化模型在CPU上的部署推理加速.
|
|
|
|
## 部署准备
|
|
### FastDeploy环境准备
|
|
- 1. 软硬件环境满足要求，参考[FastDeploy环境要求](../../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
|
- 2. FastDeploy Python whl包安装，参考[FastDeploy Python安装](../../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
|
|
|
### 量化模型准备
|
|
- 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: 推理量化后的分类模型仍然需要FP32模型文件夹下的deploy.yaml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.)
|
|
|
|
## 以量化后的PP_LiteSeg_T_STDC1_cityscapes模型为例, 进行部署
|
|
在本目录执行如下命令即可完成编译,以及量化模型部署.支持此模型需保证FastDeploy版本0.7.0以上(x.x.x>=0.7.0)
|
|
```bash
|
|
mkdir build
|
|
cd build
|
|
# 下载FastDeploy预编译库，用户可在上文提到的`FastDeploy预编译库`中自行选择合适的版本使用
|
|
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-x.x.x.tgz
|
|
tar xvf fastdeploy-linux-x64-x.x.x.tgz
|
|
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-x.x.x
|
|
make -j
|
|
|
|
#下载FastDeloy提供的PP_LiteSeg_T_STDC1_cityscapes量化模型文件和测试图片
|
|
wget https://bj.bcebos.com/paddlehub/fastdeploy/PP_LiteSeg_T_STDC1_cityscapes_without_argmax_infer_PTQ.tar
|
|
tar -xvf PP_LiteSeg_T_STDC1_cityscapes_without_argmax_infer_PTQ.tar
|
|
wget https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png
|
|
|
|
# 在CPU上使用Paddle-Inference推理量化模型
|
|
./infer_demo PP_LiteSeg_T_STDC1_cityscapes_without_argmax_infer_PTQ cityscapes_demo.png 1
|
|
```
|