Paddle-Lite-Demo

Paddle-Lite提供IOS、Android和ARMLinux的示例，具体如下：

iOS示例:
- 基于MobileNetV1的图像分类（支持视频流）；
- 基于MobileNetV1-SSD的目标检测（支持视频流）;
Android示例:
- 基于MobileNetV1的图像分类；
- 基于MobileNetV1-SSD的目标检测；
- 基于Ultra-Light-Fast-Generic-Face-Detector-1MB的人脸检测；
- 基于DeeplabV3+MobilNetV2的人像分割；
- 基于视频流的人脸检测+口罩识别；
- 基于YOLOV3-MobileNetV3的目标检测；
ARMLinux示例:
- 基于MobileNetV1的图像分类；
- 基于MobileNetV1-SSD的目标检测；

关于Paddle-Lite和示例，请参考本文剩余章节和如下文档链接：

文档官网
文档官网中的Android示例
文档官网中的IOS示例
Paddle-Lite Repo

要求

iOS
- macOS+Xcode，已验证的环境：Xcode Version 11.5 (11E608c) on macOS Catalina(10.15.5)
- Xcode 11.3会报"Invalid bitcode version ..."的编译错误，请将Xcode升级到11.4及以上的版本后重新编译
- 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的功能暂时只在nova5、mate30和mate30 5G上进行了测试，用户可自行尝试其它搭载了麒麟810和990芯片的华为手机（如nova5i pro、mate30 pro、荣耀v30，mate40或p40，且需要将系统更新到最新版）；
ARMLinux
- RK3399（Ubuntu 18.04）或树莓派3B（Raspbian Buster with desktop），暂时验证了这两个软、硬件环境，其它平台用户可自行尝试；
- 支持树莓派3B摄像头采集图像，具体参考树莓派3B摄像头安装与测试
- gcc g++ opencv cmake的安装（以下所有命令均在设备上操作）
```
$ sudo apt-get update
$ sudo apt-get install gcc g++ make wget unzip libopencv-dev pkg-config
$ wget https://www.cmake.org/files/v3.10/cmake-3.10.3.tar.gz
$ tar -zxvf cmake-3.10.3.tar.gz
$ cd cmake-3.10.3
$ ./configure
$ make
$ sudo make install
```

安装

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

iOS
- 在PaddleLite-ios-demo目录下执行download_dependencies.sh脚本，该脚本会离线下载并解压ios demo所需要的依赖，包括paddle-lite 预测库，demo所需要的模型，opencv framework
```
$ chmod +x download_dependencies.sh
$ ./download_dependencies.sh
```
- 打开xcode，点击“Open another project…”打开Paddle-Lite-Demo/PaddleLite-ios-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"image_classification_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手机或开发板；
- 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；
- 由于Demo所用到的库和模型均通过app/build.gradle脚本在线下载，因此，第一次编译耗时较长（取决于网络下载速度），请耐心等待；
- 对于图像分类Demo，如果库和模型下载失败，建议手动下载并拷贝到相应目录下：1) paddle_lite_libs.tar.gz：解压后将java/PaddlePredictor.jar拷贝至Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/libs，将java/libs/armeabi-v7a/libpaddle_lite_jni.so拷贝至Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/jniLibs/armeabi-v7a/libpaddle_lite_jni.so，将java/libs/armeabi-v8a/libpaddle_lite_jni.so拷贝至Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so 2）mobilenet_v1_for_cpu.tar.gz：解压至Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/assets/models/mobilenet_v1_for_cpu 3）mobilenet_v1_for_npu.tar.gz：解压至Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/assets/models/mobilenet_v1_for_npu
- 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或990芯片的华为手机（如Nova5系列），可以在右上角的上下文菜单选择"Settings..."打开设置窗口切换NPU模型进行预测；
- 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；

ARMLinux

模型和预测库下载

$ cd Paddle-Lite-Demo/PaddleLite-armlinux-demo
$ ./download_models_and_libs.sh # 下载模型和预测库

图像分类Demo的编译与运行（以下所有命令均在设备上操作）

$ cd Paddle-Lite-Demo/PaddleLite-armlinux-demo/image_classification_demo
$ ./run.sh armv8 # RK3399
$ ./run.sh armv7hf # 树莓派3B

在终端打印预测结果和性能数据，同时在build目录中生成result.jpg。

目标检测Demo的编译与运行（以下所有命令均在设备上操作）

$ cd Paddle-Lite-Demo/PaddleLite-armlinux-demo/object_detection_demo
$ ./run.sh armv8 # RK3399
$ ./run.sh armv7hf # 树莓派3B

在终端打印预测结果和性能数据，同时在build目录中生成result.jpg。

更新到最新的预测库

Paddle-Lite项目：https://github.com/PaddlePaddle/Paddle-Lite
参考 Paddle-Lite文档，编译IOS预测库、Android和ARMLinux预测库
编译最终产物位于 build.lite.xxx.xxx.xxx 下的 inference_lite_lib.xxx.xxx

IOS更新预测库

替换库文件：产出的lib目录替换Paddle-Lite-Demo/PaddleLite-ios-demo/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Paddle-Lite-Demo/PaddleLite-ios-demo/ios-classification_demo/classification_demo/paddle_lite目录下的文件

Android更新预测库

替换jar文件：将生成的build.lite.android.xxx.gcc/inference_lite_lib.android.xxx/java/jar/PaddlePredictor.jar替换demo中的Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/libs/PaddlePredictor.jar
替换arm64-v8a jni库文件：将生成build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/java/so/libpaddle_lite_jni.so库替换demo中的Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so
替换armeabi-v7a jni库文件：将生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7/java/so/libpaddle_lite_jni.so库替换demo中的Paddle-Lite-Demo/PaddleLite-android-demo/image_classification_demo/app/src/main/jniLibs/armeabi-v7a/libpaddle_lite_jni.so.

ARMLinux更新预测库

替换头文件目录，将生成的cxx中的include目录替换Paddle-Lite-Demo/PaddleLite-armlinux-demo/Paddle-Lite/include目录；
替换armv8动态库，将生成的cxx/libs中的libpaddle_light_api_shared.so替换Paddle-Lite-Demo/PaddleLite-armlinux-demo/Paddle-Lite/libs/armv8/libpaddle_light_api_shared.so；
替换armv7hf动态库，将生成的cxx/libs中的libpaddle_light_api_shared.so替换Paddle-Lite-Demo/PaddleLite-armlinux-demo/Paddle-Lite/libs/armv7hf/libpaddle_light_api_shared.so；

效果展示

iOS
- 基于MobileNetV1的图像分类
- 基于MobileNetV1-SSD的目标检测
Android
- 基于MobileNetV1的图像分类
  - CPU预测结果（测试环境：华为nova5）
  - NPU预测结果（测试环境：华为nova5）
- 基于MobileNetV1-SSD的目标检测
  - CPU预测结果（测试环境：华为nova5）
  - NPU预测结果（测试环境：华为nova5）
  待支持
- 基于Ultra-Light-Fast-Generic-Face-Detector-1MB的人脸检测
  - CPU预测结果（测试环境：华为nova5）
  - NPU预测结果
  待支持
- 基于DeeplabV3+MobilNetV2的人像分割
  - CPU预测结果（测试环境：华为nova5）
  - NPU预测结果
  待支持
- 基于视频流的人脸检测+口罩识别
  - CPU预测结果（测试环境：华为mate30）
  - NPU预测结果
  待支持
- 基于视频流的人脸关键点检测
  - CPU预测结果（测试环境：OnePlus 7）
  - NPU预测结果
  待支持
- 基于YOLOV3-MobileNetV3的目标检测
  - CPU预测结果（测试环境：华为p40，预测总耗时：55.9ms）
  - CPU+NPU异构计算预测结果（预测总耗时：27.1ms）；
  注意：CPU+NPU的异构计算需要基于原始Paddle模型和配置文件进行手动分割子图，子图分割结果如图所示：MobileNetV3被包裹在subgraph op内并Offload到NPU上执行（未做任何优化，后续将加入zero copy并对相关op进行针对性优化，届时性能将获更大的提升），yolo_box和multiclass_nms等算子在CPU上执行。
ARMLinux
- 基于MobileNetV1的图像分类
- 基于MobileNetV1-SSD的目标检测