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

模型

性能

  • 测试环境

    • 编译环境

      • Ubuntu 16.04，NDK-r17c with GCC for Android armeabi-v7a

    • 硬件环境

      • MT8168

        • MT8168-P2V1 Tablet

        • CPU：4 x Cortex-A53 2.0 GHz

        • APU：0.3 TOPs

  • 测试方法

    • warmup=10，repeats=30，统计平均时间，单位是ms

    • 线程数为1，DeviceInfo::Global().SetRunMode设置LITE_POWER_HIGH

    • 分类模型的输入图像维度是{1，3，224，224}

  • 测试结果

模型MT8168
CPU(ms)NPU(ms)
MobileNetV1-int8131.62230531.453601

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：

    1. - PaddleLite-android-demo
    2.   - image_classification_demo
    3.     - assets
    4.       - images
    5.         - tabby_cat.jpg # 测试图片
    6.       - labels
    7.         - synset_words.txt # 1000分类label文件
    8.       - models
    9.         - 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
    10.         - 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
    11.         - mobilenet_v1_int8_224_for_cpu
    12.           - model.nb # 已通过opt转好的、适合ARM CPU的mobilenetv1量化模型
    13.         - mobilenet_v1_int8_224_for_mediatek_apu
    14.           - model.nb # 已通过opt转好的、适合MediaTek APU的mobilenetv1全量化模型
    15.     - shell # android shell端的示例程序
    16.       - CMakeLists.txt # 示例程序CMake脚本
    17.       - build
    18.         - image_classification_demo # 已编译好的android shell端的示例程序
    19.       - image_classification_demo.cc # 示例程序源码
    20.       - build.sh # 示例程序编译脚本
    21.       - run.sh # 示例程序运行脚本
    22.     - apk # 常规android应用程序
    23.       - app
    24.         - src
    25.           - main
    26.             - java # java层代码
    27.             - cpp # 自定义的jni实现
    28.         - app.iml
    29.         - build.gradle
    30.       - gradle
    31.       ...
    32.   - libs
    33.     - PaddleLite
    34.       - arm64-v8a
    35.         - include # PaddleLite头文件
    36.         - lib
    37.           - libc++_shared.so
    38.           - 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）
    39.           - 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）
    40.       - armeabi-v7a
    41.     - 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；

      1. 注意：
      2. 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；
      3. 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；
      4. 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)。
      6. 运行适用于ARM CPU的mobilenetv1量化模型
      7. $ cd PaddleLite-android-demo/image_classification_demo/assets/models
      8. $ cp mobilenet_v1_int8_224_for_cpu/model.nb mobilenet_v1_int8_224_for_cpu_fluid.nb
      9. $ cd ../../shell
      10. $ vim ./run.sh
      11.   MODEL_NAME设置为mobilenet_v1_int8_224_for_cpu_fluid
      12. $ ./run.sh
      13.   ...
      14.   iter 0 cost: 131.371002 ms
      15.   iter 1 cost: 131.477005 ms
      16.   iter 2 cost: 131.676010 ms
      17.   iter 3 cost: 131.533005 ms
      18.   iter 4 cost: 131.606003 ms
      19.   iter 5 cost: 131.537003 ms
      20.   iter 6 cost: 131.822006 ms
      21.   iter 7 cost: 131.709000 ms
      22.   iter 8 cost: 131.542007 ms
      23.   iter 9 cost: 131.950012 ms
      24.   warmup: 5 repeat: 10, average: 131.622305 ms, max: 131.950012 ms, min: 131.371002 ms
      25.   results: 3
      26.   Top0  tabby, tabby cat - 0.462754
      27.   Top1  Egyptian cat - 0.397135
      28.   Top2  tiger cat - 0.119461
      29.   Preprocess time: 4.614000 ms
      30.   Prediction time: 131.622305 ms
      31.   Postprocess time: 0.084000 ms
      33. 运行适用于MediaTeK APU的mobilenetv1全量化模型
      34. $ cd PaddleLite-android-demo/image_classification_demo/assets/models
      35. $ cp mobilenet_v1_int8_224_for_mediatek_apu/model.nb mobilenet_v1_int8_224_for_mediatek_apu_fluid.nb
      36. $ cd ../../shell
      37. $ vim ./run.sh
      38.   MODEL_NAME设置为mobilenet_v1_int8_224_for_mediatek_apu_fluid
      39. $ ./run.sh
      40.   ...
      41.   iter 0 cost: 31.512001 ms
      42.   iter 1 cost: 31.480001 ms
      43.   iter 2 cost: 31.481001 ms
      44.   iter 3 cost: 31.390001 ms
      45.   iter 4 cost: 31.452002 ms
      46.   iter 5 cost: 31.411001 ms
      47.   iter 6 cost: 31.348001 ms
      48.   iter 7 cost: 31.515001 ms
      49.   iter 8 cost: 31.459002 ms
      50.   iter 9 cost: 31.488001 ms
      51.   warmup: 5 repeat: 10, average: 31.453601 ms, max: 31.515001 ms, min: 31.348001 ms
      52.   results: 3
      53.   Top0  tabby, tabby cat - 0.017549
      54.   Top1  Egyptian cat - -0.257390
      55.   Top2  tiger cat - -0.544028
      56.   Preprocess time: 4.361000 ms
      57.   Prediction time: 31.453601 ms
      58.   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MediaTek 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；

      1. $ adb root
      2. $ adb shell
      3. # 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-静态离线量化使用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。

    1. $ cd PaddleLite-android-demo/image_classification_demo/assets/models
    2. $ ./opt --model_dir=mobilenet_v1_int8_224_for_mediatek_apu_fluid \
    3.     --optimize_out_type=naive_buffer \
    4.     --optimize_out=opt_model \
    5.     --valid_targets=apu,arm
    7. 替换自带的MediaTek APU模型
    8. $ 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MediaTek 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；

    1. $ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
    2. $ cd Paddle-Lite
    3. $ git checkout <release-version-tag>
    4. $ wget https://paddlelite-demo.bj.bcebos.com/devices/mediatek/apu_ddk.tar.gz
    5. $ 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编译方式

        1. $ ./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
        3. 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；

      • full_publish编译方式

        1. $ ./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
        3. 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.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/include目录；

    • For armv7

      • tiny_publish编译方式

        1. $ ./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
        3. 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；

      • full_publish编译方式

        1. $ ./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
        3. 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。

      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；

  • 替换头文件后需要重新编译示例程序

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。