Python 完整示例

Python 支持的平台包括:Windows X86_CPU / macOS X86_CPU / Linux X86_CPU / Linux ARM_CPU (ARM Linux)。

本章节包含2部分内容:(1) Python 示例程序;(2) Python 应用开发说明

Python 示例程序

本章节展示的所有Python 示例代码位于 demo/python

1. 环境准备

如果是Windows X86_CPU / macOS X86_CPU / Linux X86_CPU 平台,不需要进行特定环境准备。

如果是ARM Linux平台,需要编译PaddleLite,环境配置参考文档,推荐使用docker。

2. 安装python预测库

PyPI源目前仅提供Windows X86_CPU / macOS X86_CPU / Linux X86_CPU 平台的pip安装包,执行如下命令。

# 当前最新版本是 2.8
python -m pip install paddlelite==2.8

如果您需要使用AMRLinux平台的Python预测功能,请参考源码编译(ARMLinux)编译、安装PaddleLite的python包。

3. 准备预测部署模型

(1) 模型下载:下载mobilenet_v1模型后解压,得到Paddle非combined形式的模型,位于文件夹 mobilenet_v1 下。可通过模型可视化工具Netron打开文件夹下的__model__文件,查看模型结构。

wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
tar zxf mobilenet_v1.tar.gz

(2) 模型转换:Paddle的原生模型需要经过opt工具转化为Paddle-Lite可以支持的naive_buffer格式。

  • Linux X86_CPU 平台:通过pip安装paddlelite,即可获得paddle_lite_opt命令工具

    paddle_lite_opt --model_dir=./mobilenet_v1  \
                    --optimize_out=mobilenet_v1_opt \
                    --optimize_out_type=naive_buffer \
                    --valid_targets=x86
    
  • MAC X86_CPU 平台: paddle_lite_opt工具使用方式同Linux。

  • Windows X86_CPU 平台:windows 暂不支持命令行方式直接运行模型转换器,需要编写python脚本

    import paddlelite.lite as lite
    
    a=lite.Opt()
    # 非combined形式
    a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
    
    # conmbined形式,具体模型和参数名称,请根据实际修改
    # a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
    # a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
    
    a.set_optimize_out("mobilenet_v1_opt")
    a.set_valid_places("x86")
    
    a.run()
    
  • ARMLinux 平台:编写python脚本转换模型

    import paddlelite.lite as lite
    
    a=lite.Opt()
    # 非combined形式
    a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
    
    # conmbined形式,具体模型和参数名称,请根据实际修改
    # a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
    # a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
    
    a.set_optimize_out("mobilenet_v1_opt")
    a.set_valid_places("arm")   # 设置为arm
    
    a.run()
    

以上命令执行成功之后将在同级目录生成名为mobilenet_v1_opt.nb的优化后模型文件。

4. 下载和运行预测示例程序

demo/python下载预测示例文件mobilenetv1_light_api.pymobilenetv1_full_api.py,并运行Python预测程序。

# light api的输入为优化后模型文件mobilenet_v1_opt.nb
python mobilenetv1_light_api.py --model_dir=mobilenet_v1_opt.nb

# full api的输入为优化千的模型文件夹mobilenet_v1
python mobilenetv1_full_api.py --model_dir=./mobilenet_v1

# 运行成功后,将在控制台输出如下内容
[1L, 1000L]
[0.00019130950386170298, 0.0005920541007071733, 0.00011230241216253489, 6.27333574811928e-05, 0.0001275067188544199, 0.0013214796781539917, 3.138116153422743e-05, 6.52207963867113e-05, 4.780858944286592e-05, 0.0002588215284049511]

Python 应用开发说明

Python代码调用Paddle-Lite执行预测库仅需以下六步:

(1) 设置config信息

from paddlelite.lite import *
import numpy as np
from PIL import Image

config = MobileConfig()
config.set_model_from_file("./mobilenet_v1_opt.nb")

(2) 创建predictor

predictor = create_paddle_predictor(config)

(3) 从图片读入数据

image = Image.open('./example.jpg')
# resize the inputed image into shape (224, 224)
resized_image = image.resize((224, 224), Image.BILINEAR)
# put it from HWC to NCHW format
image_data = np.array(resized_image).transpose(2, 0, 1).reshape(1, 3, 224, 224)

(4) 设置输入数据

input_tensor = predictor.get_input(0)
input_tensor.from_numpy(image_data)

(5) 执行预测

predictor.run()

(6) 得到输出数据

output_tensor = predictor.get_output(0)
print(output_tensor.shape())
print(output_tensor.numpy())

详细的Python API说明文档位于Python API。更多Python应用预测开发可以参考位于位于Paddle-Lite-Demo的工程示例代码。