picodet_demo

目标检测 C++ API Demo 使用指南

在 IOS 上实现实时的目标检测功能，此 Demo 有很好的的易用性和开放性，如在 Demo 中跑自己训练好的模型等。 本文主要介绍目标检测 Demo 运行方法和如何在更新模型/输入/输出处理下，保证目标检测 Demo 仍可继续运行。

如何运行目标检测 Demo

环境准备

1. 在本地环境安装好 Xcode 工具，详细安装方法请见Xcode 官网。
2. 准备一部 Iphone 手机，并在 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）

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 ..

4. 用 Xcode 打开 ssd_mobilnetv1_demo/ssd_mobilnetv1_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）

5. 选中 ssd_mobilnetv1_demo/third-party 目录 ，右击选择 Add Files to "third-party" ... 选项，将预测库、Opencv库和 assets内容（模型、测试图片及标签文件）添加到工程中。

注意： 如果觉得上述方法比较麻烦，可以使用工程下的 prepare.sh 脚本，完成上述资源的拷贝

  # path = Paddle-Lite-Demo/ios/object_detection
  sh prepare.sh

6. 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）

7. 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：

APP 图标	APP 效果

备注：本 demo 支持 Picodet 增强版模型，即将模型的后处理写入网络中，用户无需书写复杂的后处理nms等逻辑操作。

序号	说明	Picodet和 Picodet 增强版
0	算法前后处理	Picodet 和 Picodet 增强版，算法的前、后处理完全相同 1.前处理：包括 Detection 常见的减均值等操作 2.后处理：包括 nms 等
1	后处理写入模型结构	1. 该 Picodet Demo 使用PicoDet-S 320*320实现 2.该 Demo 仅支持增强版模型替换，即将模型的后处理写入网络，具体操作方法请参考PaddleDetection导出部分） **注意：**替换模型时，需要修改输入shape、类别数等；（1）详细修改数值需结合实际训练情况完成（2）修改代码位置下方文档说明
2	后处理不在模型结构	该 Demo无 后处理解码+nms逻辑，不支持「不带后处理的模型」替换工作，需要用户自行添加完成

更新预测库

*Paddle Lite 项目：https://github.com/PaddlePaddle/Paddle-Lite

• 参考 Paddle Lite 源码编译文档，编译 iOS 预测库
• 编译最终产物位于 build.lite.xxx.xxx.xxx 下的 inference_lite_lib.xxx.xxx
  • 替换 c++ 库
    • 头文件 将生成的 build.lite.ios.xxx.clang/inference_lite_lib.ios64.xxx/include 文件夹替换 Demo 中的 Paddle-Lite-Demo/object_detection/ios/ssd_mobilnetv1_demo/detection_demo/third-party/PaddleLite/include
    • 替换 arm64-v8a 库 将生成的 build.lite.ios.ios64.armv8/inference_lite_lib.ios64.armv8/libs/libpaddle_api_light_bundled.a 库替换 Demo 中的 Paddle-Lite-Demo/object_detection/ios/ssd_mobilnetv1_demo/detection_demo/third-party/PaddleLite/lib/libpaddle_api_light_bundled.a

注意：

如果要使用 armv7 库，则可将 armv7 库替换至相应目录下：

• armeabi-v7a 将生成的 build.lite.ios.ios.armv7/inference_lite_lib.ios.armv7/libs/libpaddle_api_light_bundled.a 库替换 Demo 中的 Paddle-Lite-Demo/object_detection/ios/ssd_mobilnetv1_demo/detection_demo/third-party/PaddleLite/lib/libpaddle_api_light_bundled.a

Demo 内容介绍

先整体介绍下目标检测 Demo 的代码结构，然后再介绍 Demo 每部分功能.

整体结构介绍

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

   # 位置：
   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
# 位置
detection_demo/ViewController.mm
``` 

ViewController.mm 文件内容介绍

• 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 （使用 Paddle Lite C++ API 执行预测）

IOS 示例基于 C++ API 开发，调用 Paddle Lite C++s 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

// 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;
}
// 如果输入是图片，则可在第三步时将预处理后的图像数据赋值给输入 Tensor

// 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;
}

如何更新模型和输入/输出预处理

更新模型

1. 将优化后的模型存放到目录 third-party/assets/models/ 下；
2. 如果模型名字跟工程中模型名字一模一样，即均是使用 third-party/assets/models/ssd_mobilenet_v1_pascalvoc_for_cpu/model.nb，则代码不需更新；否则话，需要修改 ./ViewController.mm 中代码

以更新 ssd_mobilenet_v3 模型为例，则先将优化后的模型存放到 third-party/assets/models/ssd_mobilenet_v3_for_cpu/mv2.nb 下，然后更新代码

// 代码文件 `image_classifictaion/ViewController.mm`
- (void)viewDidLoad {
...
MobileConfig config;
// old
// config.set_model_from_file(app_dir+ "/models/mobilenet_v1_for_cpu/model.nb");
// update now
config.set_model_from_file(app_dir+ "/models/ssd_mobilenet_v3_for_cpu/mv2.nb");
predictor = CreatePaddlePredictor<MobileConfig>(config);
...
}

注意：

• 如果更新后模型的输入信息如Shape、Tensor个数等发生改变，需要更新 ViewController.mm 文件中 pre_process(...) 输入预处理方法，完成模型输入更新

• 如果更新后模型的输出信息发生改变，需要更新 ViewController.mm 文件中 post_process(...) 输出后处理方法，完成模型输出更新即可

• 如果需要更新 label.txt，则需将更新后的标签文件，存放至third-party/assets/labels/ 目录下。 若更新后标签名字不一样，应修改代码文件 ./ViewController.mm 中代码

// 代码文件 `image_classifictaion/ViewController.mm`
- (void)viewDidLoad {
...
// old
// std::string label_file_str = app_dir+"/labels/pascalvoc_label_list";
// update now
std::string label_file_str = app_dir+"/labels/labels_new.txt";
self.labels = [self load_labels:label_file_str];
...
}

更新输入/输出预处理

1. 更新输入数据

• 将更新的图片存放在 third-party/assets/images/ 下；
• 更新文件 detection_demo/ViewController.mm 中的代码

以更新 cat.jpg 为例，则先将 cat.jpg 存放在 third-party/assets/images/ 下，然后更新代码

// 代码文件 `image_classifictaion/ViewController.mm`
- (void)viewDidLoad {
...
// old
// _image = [UIImage imageNamed:@"third-party/assets/images/dog.jpg"];
// now
_image = [UIImage imageNamed:@"third-party/assets/images/cat.jpg"];
if (_image != nil) {
    printf("load image successed\n");
    imageView.image = _image;
} else {
    printf("load image failed\n");
}
...
}

注意： 本 Demo 是支持图片/视频流/拍照三种输入方式，如果需更新输入图片建议通过 APP 的拍照或视频流方式进行更新，这样不用修改代码，则能正常推理。

2. 更新输入预处理 此处需要更新 image_classifictaion/ViewController.mm 中的 pre_process(...) 输入预处理方法

3. 更新输出预处理 此处需要更新 image_classifictaion/ViewController.mm 中的 post_process(...) 输出后处理方法

其他文件

• time.h 包含常见的计时处理函数，用于计时处理

性能优化方法

如果你觉得当前性能不符合需求，想进一步提升模型性能，可参考首页中性能优化文档完成性能优化。