English | 简体中文
本目录下提供infer.c来调用C API快速完成PaddleClas模型在CPU/GPU上部署的示例。
PaddleClas支持利用FastDeploy在NVIDIA GPU、X86 CPU、飞腾CPU、ARM CPU、Intel GPU(独立显卡/集成显卡)硬件上快速部署图像分类模型.
在部署前，需确认软硬件环境，同时下载预编译部署库，参考FastDeploy安装文档安装FastDeploy预编译库. 以Linux上推理为例，在本目录执行如下命令即可完成编译测试，支持此模型需保证FastDeploy版本1.0.4以上(x.x.x>=1.0.4)
在部署前, 请准备好您所需要运行的推理模型, 您可以在FastDeploy支持的PaddleClas模型列表中下载所需模型.
# 下载部署示例代码
git clone https://github.com/PaddlePaddle/FastDeploy.git
cd FastDeploy/examples/vision/classification/paddleclas/cpu-gpu/c
# 如果您希望从PaddleClas下载示例代码，请运行
git clone https://github.com/PaddlePaddle/PaddleClas.git
# 注意：如果当前分支找不到下面的fastdeploy测试代码，请切换到develop分支
git checkout develop
cd PaddleClas/deploy/fastdeploy/cpu-gpu/c
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ResNet50_vd模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/ResNet50_vd_infer.tgz
tar -xvf ResNet50_vd_infer.tgz
wget https://gitee.com/paddlepaddle/PaddleClas/raw/release/2.4/deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg
# 使用CPU在OpenVINO推理
./infer_demo ResNet50_vd_infer ILSVRC2012_val_00000010.jpeg 0
# 使用GPU在TensorRT推理
./infer_demo ResNet50_vd_infer ILSVRC2012_val_00000010.jpeg 1- 注意，以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考文档: 如何在Windows中使用FastDeploy C++ SDK
下面提供了PaddleClas的C API简介
- 如果用户想要更换部署后端或进行其他定制化操作, 请查看C Runtime API.
- 更多 PaddleClas C API 请查看 C PaddleClas API
FD_C_RuntimeOptionWrapper* FD_C_CreateRuntimeOptionWrapper()创建一个RuntimeOption的配置对象，并且返回操作它的指针。
返回
- fd_c_runtime_option_wrapper(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption对象的指针
void FD_C_RuntimeOptionWrapperUseCpu(
FD_C_RuntimeOptionWrapper* fd_c_runtime_option_wrapper)开启CPU推理
参数
- fd_c_runtime_option_wrapper(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption对象的指针
void FD_C_RuntimeOptionWrapperUseGpu(
FD_C_RuntimeOptionWrapper* fd_c_runtime_option_wrapper,
int gpu_id)开启GPU推理
参数
- fd_c_runtime_option_wrapper(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption对象的指针
- gpu_id(int): 显卡号
FD_C_PaddleClasModelWrapper* FD_C_CreatePaddleClasModelWrapper(
const char* model_file, const char* params_file, const char* config_file,
FD_C_RuntimeOptionWrapper* runtime_option,
const FD_C_ModelFormat model_format)创建一个PaddleClas的模型，并且返回操作它的指针。
参数
- model_file(const char*): 模型文件路径
- params_file(const char*): 参数文件路径
- config_file(const char*): 配置文件路径，即PaddleClas导出的部署yaml文件
- runtime_option(FD_C_RuntimeOptionWrapper*): 指向RuntimeOption的指针，表示后端推理配置
- model_format(FD_C_ModelFormat): 模型格式
返回
- fd_c_ppclas_wrapper(FD_C_PaddleClasModelWrapper*): 指向PaddleClas模型对象的指针
FD_C_Mat FD_C_Imread(const char* imgpath)读取一个图像，并且返回cv::Mat的指针。
参数
- imgpath(const char*): 图像文件路径
返回
- imgmat(FD_C_Mat): 指向图像数据cv::Mat的指针。
FD_C_Bool FD_C_Imwrite(const char* savepath, FD_C_Mat img);将图像写入文件中。
参数
- savepath(const char*): 保存图像的路径
- img(FD_C_Mat): 指向图像数据的指针
返回
- result(FD_C_Bool): 表示操作是否成功
FD_C_Bool FD_C_PaddleClasModelWrapperPredict(
__fd_take FD_C_PaddleClasModelWrapper* fd_c_ppclas_wrapper, FD_C_Mat img,
FD_C_ClassifyResult* fd_c_ppclas_result)模型预测接口，输入图像直接并生成分类结果。
参数
- fd_c_ppclas_wrapper(FD_C_PaddleClasModelWrapper*): 指向PaddleClas模型的指针
- img（FD_C_Mat）: 输入图像的指针，指向cv::Mat对象，可以调用FD_C_Imread读取图像获取
- fd_c_ppclas_result（FD_C_ClassifyResult*): 分类结果，包括label_id，以及相应的置信度, ClassifyResult说明参考视觉模型预测结果
void FD_C_ClassifyResultStr(
FD_C_ClassifyResult* fd_c_classify_result， char* str_buffer);打印结果
参数
- fd_c_classify_result(FD_C_ClassifyResult*): 指向FD_C_ClassifyResult对象的指针
- str_buffer(char*): 保存结果数据信息的字符串