PaddleLite使用联发科APU预测部署
Paddle Lite已支持MediaTek APU的预测部署。 其接入原理是与之前华为Kirin NPU类似,即加载并分析Paddle模型,将Paddle算子转成MTK的Neuron adapter API(类似Android NN API)进行网络构建,在线生成并执行模型。
支持现状
已支持的芯片
已支持的设备
- MT8168-P2V1 Tablet
已支持的Paddle模型
已支持(或部分支持)的Paddle算子
- relu
- conv2d
- depthwise_conv2d
- elementwise_add
- elementwise_mul
- fc
- pool2d
- softmax
参考示例演示
测试设备(MT8168-P2V1 Tablet)
mt8168_p2v1_tablet_front
mt8168_p2v1_tablet_back
准备设备环境
- 由于需要依赖特定版本的firmware,感兴趣的同学通过MTK官网https://www.mediatek.cn/about/contact-us提供的联系方式(类别请选择”销售”),获取测试设备和firmware;
准备交叉编译环境
- 为了保证编译环境一致,建议参考编译环境准备中的Docker开发环境进行配置。
运行图像分类示例程序
下载示例程序PaddleLite-android-demo.tar.gz,解压后清单如下:
- PaddleLite-android-demo
- image_classification_demo
- assets
- images
- tabby_cat.jpg # 测试图片
- labels
- synset_words.txt # 1000分类label文件
- models
- mobilenet_v1_int8_224_for_cpu_fluid # Paddle fluid non-combined格式的、适用于ARM CPU的mobilenetv1量化模型
- mobilenet_v1_int8_224_for_mediatek_apu_fluid # Paddle fluid non-combined格式的、适用于MediaTek APU的mobilenetv1全量化模型
- mobilenet_v1_int8_224_for_cpu
- model.nb # 已通过opt转好的、适合ARM CPU的mobilenetv1量化模型
- mobilenet_v1_int8_224_for_mediatek_apu
- model.nb # 已通过opt转好的、适合MediaTek APU的mobilenetv1全量化模型
- shell # android shell端的示例程序
- CMakeLists.txt # 示例程序CMake脚本
- build
- image_classification_demo # 已编译好的android shell端的示例程序
- image_classification_demo.cc # 示例程序源码
- build.sh # 示例程序编译脚本
- run.sh # 示例程序运行脚本
- apk # 常规android应用程序
- app
- src
- main
- java # java层代码
- cpp # 自定义的jni实现
- app.iml
- build.gradle
- gradle
...
- libs
- PaddleLite
- arm64-v8a
- include # PaddleLite头文件
- lib
- libc++_shared.so
- libpaddle_light_api_shared.so # 用于最终移动端部署的预编译PaddleLite库(tiny publish模式下编译生成的库)
- libpaddle_full_api_shared.so # 用于直接加载Paddle模型进行测试和Debug的预编译PaddleLite库(full publish模式下编译生成的库)
- armeabi-v7a
- OpenCV # OpenCV 4.2 for android
Android shell端的示例程序
按照以下命令分别运行转换后的ARM CPU模型和MediaTek APU模型,比较它们的性能和结果;
注意:
1)run.sh只能在连接设备的系统上运行,不能在docker环境执行(可能无法找到设备),也不能在设备上运行;
2)build.sh需要在docker环境中执行,否则,需要将build.sh的ANDROID_NDK修改为当前环境下的NDK路径;
3)以下执行结果均由armeabi-v7a库生成,如果需要测试arm64-v8a库,可将build.sh的ANDROID_ABI修改成arm64-v8a后重新生成image_classification_demo,同时将run.sh的ANDROID_ABI也修改成arm64-v8a即可)。
运行适用于ARM CPU的mobilenetv1量化模型
$ cd PaddleLite-android-demo/image_classification_demo/assets/models
$ cp mobilenet_v1_int8_224_for_cpu/model.nb mobilenet_v1_int8_224_for_cpu_fluid.nb
$ cd ../../shell
$ vim ./run.sh
MODEL_NAME设置为mobilenet_v1_int8_224_for_cpu_fluid
$ ./run.sh
...
iter 0 cost: 131.371002 ms
iter 1 cost: 131.477005 ms
iter 2 cost: 131.676010 ms
iter 3 cost: 131.533005 ms
iter 4 cost: 131.606003 ms
iter 5 cost: 131.537003 ms
iter 6 cost: 131.822006 ms
iter 7 cost: 131.709000 ms
iter 8 cost: 131.542007 ms
iter 9 cost: 131.950012 ms
warmup: 5 repeat: 10, average: 131.622305 ms, max: 131.950012 ms, min: 131.371002 ms
results: 3
Top0 tabby, tabby cat - 0.462754
Top1 Egyptian cat - 0.397135
Top2 tiger cat - 0.119461
Preprocess time: 4.614000 ms
Prediction time: 131.622305 ms
Postprocess time: 0.084000 ms
运行适用于MediaTeK APU的mobilenetv1全量化模型
$ cd PaddleLite-android-demo/image_classification_demo/assets/models
$ cp mobilenet_v1_int8_224_for_mediatek_apu/model.nb mobilenet_v1_int8_224_for_mediatek_apu_fluid.nb
$ cd ../../shell
$ vim ./run.sh
MODEL_NAME设置为mobilenet_v1_int8_224_for_mediatek_apu_fluid
$ ./run.sh
...
iter 0 cost: 31.512001 ms
iter 1 cost: 31.480001 ms
iter 2 cost: 31.481001 ms
iter 3 cost: 31.390001 ms
iter 4 cost: 31.452002 ms
iter 5 cost: 31.411001 ms
iter 6 cost: 31.348001 ms
iter 7 cost: 31.515001 ms
iter 8 cost: 31.459002 ms
iter 9 cost: 31.488001 ms
warmup: 5 repeat: 10, average: 31.453601 ms, max: 31.515001 ms, min: 31.348001 ms
results: 3
Top0 tabby, tabby cat - 0.017549
Top1 Egyptian cat - -0.257390
Top2 tiger cat - -0.544028
Preprocess time: 4.361000 ms
Prediction time: 31.453601 ms
Postprocess time: 0.067000 ms
如果需要更改测试图片,可将图片拷贝到PaddleLite-android-demo/image_classification_demo/assets/images目录下,然后将run.sh的IMAGE_NAME设置成指定文件名即可;
如果需要重新编译示例程序,直接运行./build.sh即可。
由于MTK APU暂时只支持NHWC的数据布局格式,而PaddleLite默认使用NCHW的数据布局格式,导致额外增加了预测中输入张量的NCHW到NHWC的转换,大约耗费8~9ms。
常规Android应用程序
安装Android Studio 3.4
打开Android Studio,在”Welcome to Android Studio”窗口点击”Open an existing Android Studio project”,在弹出的路径选择窗口中进入”PaddleLite-android-demo/image_classification_demo/apk”目录,然后点击右下角的”Open”按钮即可导入工程;
通过USB连接Android手机、平板或开发板;
临时关闭selinux模式,允许app调用系统库;
$ adb root
$ adb shell
# setenforce 0
待工程加载完成后,点击菜单栏的Build->Rebuild Project按钮,如果提示CMake版本不匹配,请点击错误提示中的’Install CMake xxx.xxx.xx’按钮,重新安装CMake,然后再次点击菜单栏的Build->Rebuild Project按钮;
待工程编译完成后,点击菜单栏的Run->Run ‘App’按钮,在弹出的”Select Deployment Target”窗口选择已经连接的Android设备,然后点击”OK”按钮;
等待大约1分钟后(第一次时间比较长,需要耐心等待),app已经安装到设备上。默认使用ARM CPU模型进行预测,由于MT8168的CPU由四核Arm-Cortex A53组成,性能较一般手机的A7x系列要弱很多,如下图所示,只有6fps;
mt8168_p2v1_tablet_cpu
点击app界面右下角的设置按钮,在弹出的设置页面点击”Choose pre-installed models”,选择”mobilenet_v1_int8_for_mediatek_apu”,点击返回按钮后,app将切换到MediaTek APU模型,如下图所示,帧率提高到14fps。
mt8168_p2v1_tablet_apu
更新模型
通过Paddle Fluid训练,或X2Paddle转换得到MobileNetv1 foat32模型mobilenet_v1_fp32_224_fluid;
参考模型量化-有校准数据训练后量化使用PaddleSlim对float32模型进行量化(注意:由于MTK APU只支持量化OP,在启动量化脚本时请注意相关参数的设置),最终得到全量化MobileNetV1模型mobilenet_v1_int8_224_fluid;
参考模型转化方法,利用opt工具转换生成MTK APU模型,仅需要将valid_targets设置为apu,arm即可。
$ cd PaddleLite-android-demo/image_classification_demo/assets/models
$ ./opt --model_dir=mobilenet_v1_int8_224_for_mediatek_apu_fluid \
--optimize_out_type=naive_buffer \
--optimize_out=opt_model \
--valid_targets=apu,arm
替换自带的APU模型
$ cp opt_model.nb mobilenet_v1_int8_224_for_mediatek_apu/model.nb
注意:opt生成的模型只是标记了MTK APU支持的Paddle算子,并没有真正生成MediaTek APU模型,只有在执行时才会将标记的Paddle算子转成MTK Neuron adapter API调用实现组网,最终生成并执行模型。
更新支持MediaTek APU的Paddle Lite库
下载PaddleLite源码和MediaTek APU DDK;
$ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
$ cd Paddle-Lite
$ git checkout <release-version-tag>
$ wget https://paddlelite-demo.bj.bcebos.com/devices/mediatek/apu_ddk.tar.gz
$ tar -xvf apu_ddk.tar.gz
编译并生成PaddleLite+MediaTekAPU for armv8 and armv7的部署库
For armv8
tiny_publish
$ ./lite/tools/build_android.sh --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk
full_publish
$ ./lite/tools/build_android.sh --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk full_publish
For armv7
tiny_publish
$ ./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk
full_publish
$ ./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk full_publish
将编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/include目录;
将tiny_publish模式下编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/lib/libpaddle_light_api_shared.so文件;
将full_publish模式下编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/lib/libpaddle_full_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/lib/libpaddle_full_api_shared.so文件;
将编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.apu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/include目录;
将tiny_publish模式下编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.apu/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/lib/libpaddle_light_api_shared.so文件;
将full_publish模式下编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.apu/cxx/lib/libpaddle_full_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/lib/libpaddle_full_api_shared.so文件。
其它说明
- 由于涉及到License的问题,无法提供用于测试的firmware,我们深感抱歉。如果确实对此非常感兴趣,可以参照之前提到的联系方式,直接联系MTK的销售;
- MTK研发同学正在持续增加用于适配Paddle算子bridge/converter,以便适配更多Paddle模型。