iOS 工程示例¶

多种应用场景¶

我们提供 Paddle Lite 示例工程 Paddle-Lite-Demo ，其中包含 Android 、 IOS 和 Armlinux 平台的示例工程。

IOS demo涵盖图像分类、目标检测 2 个应用场景。

1. 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：

2. 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：

IOS demo 部署方法¶

下面我们以目标检测( object_detection_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、目标检测的 IOS 示例位于 Paddle-Lite-Demo\PaddleLite-ios-demo\object_detection_demo

2、终端中执行 download_dependencies.sh 脚本自动下载模型和 Paddle Lite 预测库

cd PaddleLite-ios-demo          # 1. 终端中进入 Paddle-Lite-Demo\PaddleLite-ios-demo
sh download_dependencies.sh     # 2. 执行脚本下载依赖项 （需要联网）

下载完成后会出现提示： Extract done

3、用 Xcode 打开 ios-detection_demo/detection_demo.xcodeproj 文件，修改工程配置。依次修改 General/Identity 和 Signing&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）

Xcode1

Xcode2

4、 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）

成功后效果如下，图一：APP安装到手机图二： APP打开后的效果，会自动识别图片中的物体并标记

IOS demo 结构讲解¶

IOS 示例的代码结构如下图所示：

1、 mobilenetv1-ssd：模型文件( opt 工具转化后 Paddle Lite 模型)

# 位置：
ios-detection_demo/detection_demo/models/mobilenetv1-ssd

2、libpaddle_api_light_bundled.a、paddle_api.h：Paddle-Lite C++ 预测库和头文件

# 位置：
# IOS 预测库
ios-detection_demo/detection_demo/lib/libpaddle_api_light_bundled.a
# 预测库头文件
ios-detection_demo/detection_demo/include/paddle_api.h
ios-detection_demo/detection_demo/include/paddle_use_kernels.h
ios-detection_demo/detection_demo/include/paddle_use_ops.h

3、 ViewController.mm：主要预测代码

# 位置
ios-detection_demo/detection_demo/ViewController.mm

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"
```