iOS apps

多种应用场景

Paddle-Lite 提供了多个应用场景的 iOS Demo:

1. 人脸识别

人脸检测是 Paddle Lite 提供的人像检测 Demo ,在移动端上提供了高精度、实时的人脸检测能力,能处理基于人脸检测的业务场景。在移动端预测的效果图如下:

     

2. 人像分割

人像分割是 Paddle Lite 提供的图像分割 Demo ,在移动端上提供了实时的人像分割能力,可以应用证件照自动抠图、面积测量、智能交通(标记车道和交通标志)等场景。 在移动端预测的效果图如下:

     

3. 图像分类

图像分类是 Paddle Lite 提供的图像处理 Demo ,在移动端上提供了实时的物体识别能力,可以应用到生产线自动分拣或质检、识别医疗图像、辅助医生肉眼诊断等场景。在移动端预测的效果图如下:

     

4. 物体检测

物体检测是 Paddle Lite 提供的图像识别 Demo ,在移动端上提供了检测多个物体的位置、名称、位置及数量的能力。可以应用到视频监控(是否有违规物体或行为)、工业质检(微小瑕疵的数量和位置)、医疗诊断(细胞计数、中药识别)等场景。在移动端预测的效果图如下:

     

5. 文字识别

文字识别是 Paddle Lite 提供的OCR类文字识别 Demo ,在移动端上提供了检测多行文字的位置和名称的能力。可以应用到中英文翻译、词典笔等场景。在移动端预测的效果图如下:

     

iOS Demo 部署方法

下面我们以目标检测( picodet_demo ) 为例讲解如何部署 iOS 工程。

目的:将基于 Paddle Lite 预测库的 iOS APP部署到苹果手机,实现物体检测。

需要的环境:Mac 电脑上安装 Xcode、苹果手机、下载到本地的 Paddle-Lite-Demo 工程

部署步骤

1、 目标检测 Demo 位于 Paddle-Lite-Demo/object_detection/ios/ssd_mobilnetv1_demo 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/object_detection/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 ../object_detection/assets

下载OPT 优化后模型
$ sh download.sh
$ cd ..

下载完成后会出现提示: Extract done

4、用 Xcode 打开 picodet_demo/picodet_demo.xcodeproj 文件,修改工程配置。依次修改 General/IdentitySigning&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),修改工程配置。

Xcode1

Xcode2

5、 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)

5、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

APP 图标 APP 效果
app_pic app_res

iOS demo 结构讲解

  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

    detection_demo/third-party/
    example:
    
    iOS 预测库
    detection_demo/third-party/PaddleLite/lib/libpaddle_api_light_bundled.a
    
    预测库头文件
    detection_demo/third-party/PaddleLite/include/paddle_api.h
    detection_demo/third-party/PaddleLite/include/paddle_use_kernels.h
    detection_demo/third-party/PaddleLite/include/paddle_use_ops.h
    
  2. ViewController.mm:主要预测代码

```shell
detection_demo/ViewController.mm
``` 
  • 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

  • pre_process 方法 输入预处理操作

  • post_process 方法 输出后处理操作中

代码讲解 (如何使用 Paddle Lite C++ API 执行预测)

iOS 示例基于 C++ API 开发,调用 Paddle Lite C++ 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
// 如果需要使用 Metal 在 GPU 上加速预测,需要额外进行以下配置, 需将编译生成的 lite.metallib 拷贝到<metal_lib>路径下
config.set_metal_lib_path(<metal_lib>);
config.set_metal_use_mps(true);

// 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;
}

// 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;
}

Q&A:

问题:

  • 提示 feed kernel not found:

    • 在包含 Paddle Lite 头文件的时候加上以下两行即可

     #include "include/paddle_use_ops.h"
     #include "include/paddle_use_kernels.h"
    
  • 如果想用 FP16 模型推理:

    • 更新预测库:包含FP16 kernel的预测库,可以在 release 官网下载,也可以参考 macOS 环境下编译适用于 iOS 的库,自行编译。

    • 更新 nb 模型:需要使用 OPT 工具,将 enable_fp16 设置为 ON,重新转换模型。

    • FP16 预测库和 FP16 模型只在V8.2 架构以上的手机上运行