Skip to content

Latest commit

 

History

History
executable file
·
158 lines (115 loc) · 7.11 KB

windows_vs2019_build.md

File metadata and controls

executable file
·
158 lines (115 loc) · 7.11 KB
Raw

Visual Studio 2019 Community CMake 编译指南

Windows 平台下，我们使用Visual Studio 2019 Community 进行了测试。微软从Visual Studio 2017开始即支持直接管理CMake跨平台编译项目，但是直到2019才提供了稳定和完全的支持，所以如果你想使用CMake管理项目编译构建，我们推荐你使用Visual Studio 2019环境下构建。

前置条件

特别注意：windows下预测库需要的TensorRT版本为：。

预测库版本 TensorRT版本
cuda10.1_cudnn7.6_avx_mkl_trt6 TensorRT-6.0.1.5
cuda10.2_cudnn7.6_avx_mkl_trt7 TensorRT-7.0.0.11
cuda11.0_cudnn8.0_avx_mkl_trt7 TensorRT-7.2.1.6

请确保系统已经安装好上述基本软件，我们使用的是VS2019的社区版。

下面所有示例以工作目录为 D:\projects演示。

Step1: 下载代码

下载源代码

git clone https://github.com/PaddlePaddle/PaddleDetection.git

说明：其中C++预测代码在PaddleDetection/deploy/cpp 目录，该目录不依赖任何PaddleDetection下其他目录。

Step2: 下载PaddlePaddle C++ 预测库 paddle_inference

PaddlePaddle C++ 预测库针对不同的CPU和CUDA版本提供了不同的预编译版本，请根据实际情况下载: C++预测库下载列表

解压后D:\projects\paddle_inference目录包含内容为：

paddle_inference
├── paddle # paddle核心库和头文件
|
├── third_party # 第三方依赖库和头文件
|
└── version.txt # 版本和编译信息

Step3: 安装配置OpenCV

  1. 在OpenCV官网下载适用于Windows平台的3.4.6版本， 下载地址
  2. 运行下载的可执行文件，将OpenCV解压至指定目录，如D:\projects\opencv
  3. 配置环境变量，如下流程所示（如果使用全局绝对路径，可以不用设置环境变量）
    • 我的电脑->属性->高级系统设置->环境变量
    • 在系统变量中找到Path（如没有，自行创建），并双击编辑
    • 新建，将opencv路径填入并保存，如D:\projects\opencv\build\x64\vc14\bin

Step4: 编译

  1. 进入到cpp文件夹
cd D:\projects\PaddleDetection\deploy\cpp
  1. 使用CMake生成项目文件

编译参数的含义说明如下（带*表示仅在使用GPU版本预测库时指定, 其中CUDA库版本尽量对齐，使用9.0、10.0版本，不使用9.2、10.1等版本CUDA库）：

参数名 含义
*CUDA_LIB CUDA的库路径
*CUDNN_LIB CUDNN的库路径
OPENCV_DIR OpenCV的安装路径，
PADDLE_DIR Paddle预测库的路径
PADDLE_LIB_NAME Paddle 预测库名称

注意：

  1. 如果编译环境为CPU，需要下载CPU版预测库，请把WITH_GPU的勾去掉
  2. 如果使用的是openblas版本，请把WITH_MKL勾去掉
  3. 如无需使用关键点模型可以把WITH_KEYPOINT勾去掉
  4. Windows环境下，PADDLE_LIB_NAME需要设置为paddle_inference

执行如下命令项目文件：

cmake . -G "Visual Studio 16 2019" -A x64 -T host=x64 -DWITH_GPU=ON -DWITH_MKL=ON -DCMAKE_BUILD_TYPE=Release -DCUDA_LIB=path_to_cuda_lib -DCUDNN_LIB=path_to_cudnn_lib -DPADDLE_DIR=path_to_paddle_lib -DPADDLE_LIB_NAME=paddle_inference -DOPENCV_DIR=path_to_opencv -DWITH_KEYPOINT=ON

例如：

cmake . -G "Visual Studio 16 2019" -A x64 -T host=x64 -DWITH_GPU=ON -DWITH_MKL=ON -DCMAKE_BUILD_TYPE=Release -DCUDA_LIB=D:\projects\packages\cuda10_0\lib\x64 -DCUDNN_LIB=D:\projects\packages\cuda10_0\lib\x64 -DPADDLE_DIR=D:\projects\packages\paddle_inference -DPADDLE_LIB_NAME=paddle_inference -DOPENCV_DIR=D:\projects\packages\opencv3_4_6 -DWITH_KEYPOINT=ON
  1. 编译 用Visual Studio 16 2019打开cpp文件夹下的PaddleObjectDetector.sln，将编译模式设置为Release，点击生成->`全部生成

Step5: 预测及可视化

上述Visual Studio 2019编译产出的可执行文件在out\build\x64-Release目录下，打开cmd，并切换到该目录：

cd D:\projects\PaddleDetection\deploy\cpp\out\build\x64-Release

可执行文件main即为样例的预测程序，其主要的命令行参数如下：

参数 说明
--model_dir 导出的检测预测模型所在路径
--model_dir_keypoint Option
--image_file 要预测的图片文件路径
--image_dir 要预测的图片文件夹路径
--video_file 要预测的视频文件路径
--camera_id Option
--device 运行时的设备，可选择CPU/GPU/XPU，默认为CPU
--gpu_id 指定进行推理的GPU device id(默认值为0)
--run_mode 使用GPU时，默认为paddle, 可选（paddle/trt_fp32/trt_fp16/trt_int8）
--batch_size 检测模型预测时的batch size，在指定image_dir时有效
--batch_size_keypoint 关键点模型预测时的batch size，默认为8
--run_benchmark 是否重复预测来进行benchmark测速 ｜
--output_dir 输出图片所在的文件夹, 默认为output ｜
--use_mkldnn CPU预测中是否开启MKLDNN加速
--cpu_threads 设置cpu线程数，默认为1
--use_dark 关键点模型输出预测是否使用DarkPose后处理，默认为true

注意：
（1）优先级顺序：camera_id > video_file > image_dir > image_file。 （2）如果提示找不到opencv_world346.dll，把D:\projects\packages\opencv3_4_6\build\x64\vc14\bin文件夹下的opencv_world346.dll拷贝到main.exe文件夹下即可。 （3）--run_benchmark如果设置为True，则需要安装依赖pip install pynvml psutil GPUtil。

样例一：

#不使用`GPU`测试图片 `D:\\images\\test.jpeg`  
.\main --model_dir=D:\\models\\yolov3_darknet --image_file=D:\\images\\test.jpeg

图片文件可视化预测结果会保存在当前目录下output.jpg文件中。

样例二:

#使用`GPU`测试视频 `D:\\videos\\test.mp4`  
.\main --model_dir=D:\\models\\yolov3_darknet --video_path=D:\\videos\\test.mp4 --device=GPU

视频文件目前支持.mp4格式的预测，可视化预测结果会保存在当前目录下output.mp4文件中。

样例三：

#使用关键点模型与检测模型联合预测，使用 `GPU`预测  
#检测模型检测到的人送入关键点模型进行关键点预测
.\main --model_dir=D:\\models\\yolov3_darknet --model_dir_keypoint=D:\\models\\hrnet_w32_256x192 --image_file=D:\\images\\test.jpeg --device=GPU

性能测试

Benchmark请查看BENCHMARK_INFER