前言
在上一次的测试中，我们按照官方给的流程，使用EasyDL快速实现了一个具有性别检测功能的人脸识别系统，那么今天，我们将要试一下通过Paddlepaddle从零开始，训练一个自己的多分类模型，并进行嵌入式部署。 整个训练过程和模型在：https://aistudio.baidu.com/aistudio/projectDetail/61103 下面详细介绍模型训练的过程.
数据集准备
我们使用CIFAR10数据集。CIFAR10数据集包含60,000张32x32的彩色图片，10个类别，每个类包含6,000张。其中50,000张图片作为训练集，10000张作为验证集。
!mkdir -p /home/aistudio/.cache/paddle/dataset/cifar # wget将下载的文件存放到指定的文件夹下，同时重命名下载的文件，利用-O !wget "http://ai-atest.bj.bcebos.com/cifar-10-python.tar.gz" -O cifar-10-python.tar.gz !mv cifar-10-python.tar.gz /home/aistudio/.cache/paddle/dataset/cifar/
模型结构
我们选择了以三个卷积层串联一个全连接层的输出，作为猫狗分类的预测，采用固定维度输入，输出为分类数
def convolutional_neural_network(img):
# 第一个卷积-池化层
conv_pool_1 = fluid.nets.simple_img_conv_pool(
input=img, # 输入图像
filter_size=5, # 滤波器的大小
num_filters=20, # filter 的数量。它与输出的通道相同
pool_size=2, # 池化层大小2*2
pool_stride=2, # 池化层步长
act="relu") # 激活类型
# 第二个卷积-池化层
conv_pool_2 = fluid.nets.simple_img_conv_pool(
input=conv_pool_1,
filter_size=5,
num_filters=50,
pool_size=2,
pool_stride=2,
act="relu")
# 第三个卷积-池化层
conv_pool_3 = fluid.nets.simple_img_conv_pool(
input=conv_pool_2,
filter_size=5,
num_filters=50,
pool_size=2,
pool_stride=2,
act="relu")
# 以softmax为激活函数的全连接输出层，10类数据输出10个数字
prediction = fluid.layers.fc(input=conv_pool_3, size=10, act='softmax')
return prediction
训练&验证
接下来在Paddlepaddle fluid上，进行训练。整个训练代码见附件train.py 模型验证,采用附件predict.py的代码进行验证与运行时间的测量，选取一张狗的图：dog.jpg (可以fork首页链接aistudio平台上的demo) 连续预测10000次，输出如下:
CPU 运行结果为：预处理时间为0.0006270000000085929，预测时间为：16.246494
Out:
im_shape的维度： (1, 3, 32, 32)
The run time of image process is
0.0006270000000085929
The run time of predict is
16.246494
results [array([[5.0159363e-04, 3.5942634e-05, 2.5955746e-02, 4.7745958e-02,
9.9251214e-03, 9.0146154e-01, 1.9564393e-03, 1.2230080e-02,
4.7619540e-08, 1.8753216e-04]], dtype=float32)]
infer results: dog
GPU V100 运行结果为：预处理时间为0.0006390000000067175，预测时间为：15.903074000000018
Out:
im_shape的维度： (1, 3, 32, 32)
The run time of image process is
0.0006390000000067175
The run time of predict is
15.903074000000018
results [array([[5.0159392e-04, 3.5942641e-05, 2.5955772e-02, 4.7746032e-02,
9.9251205e-03, 9.0146142e-01, 1.9564414e-03, 1.2230078e-02,
4.7619821e-08, 1.8753250e-04]], dtype=float32)]
infer results: dog
可以看到,模型可以正确的识别出图片中的动物为狗，接下来，我们就要尝试将这个模型部署到Edgeboard上面。
模型导出
我们需要将模型保存为模型文件model以及权重文件params,可以采用如下Paddle的API进行保存
fluid.io.save_inference_model(model_save_dir,['images'],[predict], exe,params_filename="mlp" + '-params',model_filename="mlp" + '-model',)
如图所示，在AiStudio的左侧打开模型文件所在的文件夹，下载mlp-model、mlp-params两个文件。
在Edgeboard上部署模型，完成预测
1、新建工程文件夹，目录结构如下(可以仿照sample里的resnet、inception例程)：
-sample_image_catdog -build -image -include -paddlepaddle-mobile -... -lib -libpaddle-mobile.so -model -mlp -model -params -src -fpga_cv.cpp -main.cpp
2、将AiStudio上导出来的模型放置在model里的mlp文件夹，修改名字为model、params
3、新建 CMakeLists.txt
cmake_minimum_required(VERSION 3.5.1)
project(paddle_edgeboard)
set(CMAKE_CXX_STANDARD 14)
set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} -pthread")
add_definitions(-DPADDLE_MOBILE_FPGA_V1)
add_definitions(-DPADDLE_MOBILE_FPGA)
set(PADDLE_LIB_DIR "${PROJECT_SOURCE_DIR}/lib" )
set(EASYDL_INCLUDE_DIR "${PROJECT_SOURCE_DIR}/include" )
set(PADDLE_INCLUDE_DIR "${PROJECT_SOURCE_DIR}/include/paddle-mobile" )
set(APP_NAME "paddle_edgeboard" )
aux_source_directory(${CMAKE_CURRENT_SOURCE_DIR}/src SRC)
find_package(OpenCV QUIET COMPONENTS core videoio highgui imgproc imgcodecs ml video)
include_directories(SYSTEM ${OpenCV_INCLUDE_DIRS})
#list(APPEND Caffe_LINKER_LIBS ${OpenCV_LIBS})
message(STATUS "OpenCV found (${OpenCV_CONFIG_PATH})，${OpenCV_LIBS}")
#add_definitions(-DUSE_OPENCV)
include_directories(${EASYDL_INCLUDE_DIR})
include_directories(${PADDLE_INCLUDE_DIR})
LINK_DIRECTORIES(${PADDLE_LIB_DIR})
add_executable(${APP_NAME} ${SRC})
target_link_libraries(${APP_NAME} paddle-mobile)
target_link_libraries(${APP_NAME} ${OpenCV_LIBS} )
4、main.cpp
#include
#include "io/paddle_inference_api.h"
#include "math.h"
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include "fpga/KD/float16.hpp"
#include "fpga/KD/llapi/zynqmp_api.h"
using namespace paddle_mobile;
#include
#include
using namespace cv;
cv::Mat sample_float;
static std::vector label_list(10);
void readImage(std::string filename, float* buffer) {
Mat img = imread(filename);
if (img.empty()) {
std::cerr << "Can't read image from the file: " << filename << std::endl;
exit(-1);
}
Mat img2;
resize(img, img2, Size(32,32));
img2.convertTo(sample_float, CV_32FC3);
int index = 0;
for (int row = 0; row < sample_float.rows; ++row) {
float* ptr = (float*)sample_float.ptr(row);
for (int col = 0; col < sample_float.cols; col++) {
float* uc_pixel = ptr;
// uc_pixel[0] -= 102;
// uc_pixel[1] -= 117;
// uc_pixel[1] -= 124;
float r = uc_pixel[0];
float g = uc_pixel[1];
float b = uc_pixel[2];
buffer[index] = b / 255.0;
buffer[index + 1] = g / 255.0;
buffer[index + 2] = r / 255.0;
// sum += a + b + c;
ptr += 3;
// DLOG << "r:" << r << " g:" << g << " b:" << b;
index += 3;
}
}
// return sample_float;
}
PaddleMobileConfig GetConfig() {
PaddleMobileConfig config;
config.precision = PaddleMobileConfig::FP32;
config.device = PaddleMobileConfig::kFPGA;
// config.model_dir = "../models/mobilenet/";
config.prog_file = "../model/mlp/model";
config.param_file = "../model/mlp/params";
config.thread_num = 4;
return config;
}
int main() {
clock_t startTime,endTime;
zynqmp::open_device();
std::cout << " open_device success " << std::endl;
PaddleMobileConfig config = GetConfig();
std::cout << " GetConfig success " << std::endl;
auto predictor =
CreatePaddlePredictor(config);
std::cout << " predictor success " << std::endl;
startTime = clock();//计时开始
float data[1 * 3 * 32 * 32] = {1.0f};
readImage("../image/cat.jpg", data);
endTime = clock();//计时结束
std::cout << "The run time of image process is: " <<(double)(endTime - startTime) / CLOCKS_PER_SEC << "s" << std::endl;
PaddleTensor tensor;
tensor.shape = std::vector({1, 3, 32, 32});
tensor.data = PaddleBuf(data, sizeof(data));
tensor.dtype = PaddleDType::FLOAT32;
std::vector paddle_tensor_feeds(1, tensor);
PaddleTensor tensor_out;
tensor_out.shape = std::vector({});
tensor_out.data = PaddleBuf();
tensor_out.dtype = PaddleDType::FLOAT32;
std::vector outputs(1, tensor_out);
std::cout << " before predict " << std::endl;
predictor->Run(paddle_tensor_feeds, &outputs);
std::cout << " after predict " << std::endl;
// assert();
endTime = clock();//计时结束
std::cout << "The run time of predict is: " <<(double)(endTime - startTime) / CLOCKS_PER_SEC << "s" << std::endl;
float* data_o = static_cast(outputs[0].data.data());
for (size_t j = 0; j < outputs[0].data.length() / sizeof(float); ++j) {
std::cout << "output[" << j << "]: " << data_o[j] << std::endl;
}
int index = 0;
float max = 0.0;
for (int i = 0;i < 10; i++) {
float val = data_o[i];
if (val > max) {
max = val > max ? val : max;
index = i;
}
}
label_list = {"airplane", "automobile", "bird", "cat", "deer", "dog", "frog", "horse",
"ship", "truck" };
std::cout << "Result" << " is " << label_list[index] << std::endl;
return 0;
}
5、编译运行
insmod /home/root/workspace/driver/fpgadrv.ko cd /home/root/workspace/sample/sample_image_catdog mkdir build cd build rm -rf * cmake .. make ./paddle_edgeboard
修改main文件要预测的图像：
6、修改main文件后重复执行预测，可得结果如下：图像处理时间大概为：0.006秒，预测时间大概为：0.008秒
总结
优点：
1、EdgeBoard内置的Paddle-Mobile，可以与Paddle训练出来的模型进行较好的对接。
2、预测速度上: Edge在预测小模型的时候，能与双核CPU和GPU在一个数量级，估计是模型较小，batch size也为1，gpu，cpu的性能优势抵不过通信的开销，后续将进行大模型、高batch size的测试。
3、提供的demo也足够简单，修改起来难度很低。
不足：
Paddle-Mobile相关文档具有一定门槛，且较为分散。初次使用的时候会走一些弯路出现问题的时候往往是个黑盒，不易于定位。在这次进行模型训练的尝试中，出现过一次op不支持的情况，我们在官网上甚至没有找到支持的op列表，这个在开发哥们的支持下升级版本后解决。如果后续能在稳定的固件版本下使用，并有比较易用的sdk，开发门槛可能会进一步降低。
作者：Litchll
