pp-picodet从环境配置到部署全流程（5）——PaddleLite端侧部署

已于 2022-08-17 14:01:18 修改
阅读量623 收藏 1
点赞数
分类专栏： 手把手教你在Android系统上部署深度学习模型 文章标签： 人工智能 python 目标检测
于 2022-07-27 16:30:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_39231810/article/details/126017503
版权
本文详细介绍了如何使用PaddleLite在端侧部署pp-picodet模型，包括PaddleDetection的多种部署形式、PaddleLite的优化策略、paddle_lite_opt工具的安装以及模型的opt转换和分析。重点讲解了paddle_lite_opt的Python脚本调用方法，以及转换后的model.nb模型文件的生成过程。
摘要由CSDN通过智能技术生成

文章目录

1. PaddleDetection支持的部署形式说明

  PaddleDetection提供了Paddle Inference、Paddle Serving、Paddle-Lite多种部署形式，支持服务端、移动端、嵌入式等多种平台，提供了完善的Python和C++部署方案。

形式 语言 设备/平台
Paddle Inference Python Linux(ARM\X86)、Windows
Paddle Inference C++ Linux(ARM\X86)、Windows
Paddle Serv
了解本专栏 订阅专栏 解锁全文 超级会员免费看
机器人涮火锅
关注
专栏目录
订阅专栏
pp-picodet从环境配置到部署全流程（6）——PaddleLite第三方模型部署
机器人涮火锅的博客
07-27 685
X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，还提供了详细的不同框架间API对比文档，降低开发者上手飞桨核心的学习成本。目前已经支持Caffe/TensorFlow/ONNX/PyTorch的模型一键转为飞桨的预测模型，并使用PaddleInference/PaddleLite进行CPU/GPU/Arm等设备的部署；此外还支持PyTorch项目Python代码（包括训练、预测.........
pp-picodet从环境配置到部署全流程（9）——Demo代码讲解
机器人涮火锅的博客
07-27 632
本篇文章主要讲解部署Demo的代码，重要部分在代码中注释了。
基于PP-PicoDet的通信塔识别及其在Android端的部署
m0_63642362的博客
03-14 354
基于PP-PicoDet实现通信塔识别，并给出Android端部署方案和demo
python之使用paddle进行人脸口罩检测（亲测，准确率很高）
萧海的博客
11-22 1077
【代码】python之使用paddle进行人脸口罩检测（亲测，准确率很高）
pp-picodet从环境配置到部署全流程（1）——pp-picodet的优势所在
机器人涮火锅的博客
07-27 857
本篇文章要介绍的是百度飞桨的轻量级目标检测PP-Picodet，PP-Picodet针对模型的速度、精度、体积和部署都作出了优化，并且确定显著的成果。
pp-picodet从环境配置到部署全流程（2）—— 环境配置
机器人涮火锅的博客
07-27 594
pp-picodet是基于百度飞桨paddlepaddle框架进行开发的，所以首先需要安装paddlepaddle框架，然后安装paddledetection项目,接着还需要安装IDE作为开发工具
pp-picodet从环境配置到部署全流程（7）——部署环境配置
机器人涮火锅的博客
07-27 1250
本片文章主要介绍pp-picodet部署到Android系统需要准备的环境。
pp-picodet从环境配置到部署全流程（10）—— 供其它项目调用
机器人涮火锅的博客
07-28 675
虽然在部署时就是调用Lite的API来进行模型推理，但在模型推理后一般还需要后处理等操作（如：nms，画出Bbox等），如果项目中只想使用简单且无需进一步处理的检测结果，或不想自己创建接口文件等，那么这里想到的一个方式就是打包成so库和jar包，以供其它项目直接调用。.........
华为云GPU服务器使用PaddleServing方式部署PaddleClas多个自己训练的识别模型服务
loutengyuan的专栏
08-25 1238
最近公司需要对图片中的不同的货车品牌和车系进行识别，通过PaddleClas进行模型训练后得到一个品牌识别模型和一个车系识别模型，现在对两个模型部署到一台华为云的GPU服务器上，要对多个模型同时进行部署，只能采取PaddleServing中的 Pipeline 服务或者C++ serving服务进行部署，由于C++ serving需要编译源码，比较麻烦，所以下面采用Pipeline 方式对多个模型进行串联部署。............
Paddle-Lite终端部署深度学习模型流程
女神sha手的博客
09-18 2128
Paddle Lite是飞桨基于Paddle Mobile全新升级推出的端侧推理引擎，在多硬件、多平台以及硬件混合调度的支持上更加完备，为包括手机在内的端侧场景的AI应用提供高效轻量的推理能力，有效解决手机算力和内存限制等问题，致力于推动AI应用更广泛的落地 部署流程一般分为四步 1）把其他框架（pytorch/tensorlfow）训练的模型转换为paddle模型 2）paddle模型优化为轻量级的模型 3）paddle-lite通过api调用轻量级的模型推理 4）融合进业务代码，完成落地 1.
1、picodet模型全流程-VOC格式数据准备模型训练验证导出推理
dddeee的专栏
07-07 2979
本文完成使用PaddleDetection以picodet为例完成模型训练的全流程。具体包括1）VOC格式的数据准备和整理，2）模型的训练 3）模型的验证 4）模型推量 5）模型导出 6）目标检测结果的保存
paddle-lite部署
xys430381_1的专栏
04-19 6183
编译安装paddlelite github源码地址 官方教程：Linux x86 环境下编译适用于 Linux x86 的库—（但是，该教程的编译指令之中，没有加–with_python=ON，必须加上才会生成.whl文件） 树莓派4b学习笔记六：以源码编译的方式安装Paddlelite 编译时，加上 --with_python=ON, 即可生成.whl安装包 ./lite/tools/build_linux.sh ./lite/tools/build_linux.sh --with_python=ON
[Paddle Detection]基于PP-PicoDet行车检测（完成安卓端部署）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
12-28 1283
基于PP-PicoDet行车检测（完成安卓端部署）_哔哩哔哩_bilibili基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析（行车检测），为自动驾驶提供一种解决思路。该项目使用bdd100k_car数据集训练，并完成了安卓部署。现如今，汽车在日益普及人们的生活，再给人们带来极大便利的同时也造成了拥堵的交通更为频发的交通事故。通过行车检测不仅能够更好的帮助司机检查路况，并且还能够更好的规化当前的路程管理，减轻道路的拥堵情况。 在车辆驾驶中主要考验的是司机如何应对其他行驶车辆的可
助力自动驾驶：行车检测和车道线分割
m0_63642362的博客
08-12 2052
该项目着眼于基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析（行车检测和车道线分割），为自动驾驶提供一种解决思路。该项目完成了ONNX部署和安卓部署。...
实战PP-TinyPose+PicoDet：智能体测新模式的应用化
m0_63642362的博客
12-17 3370
训练PP-TinyPose+PicoDet的模型并进行联合部署处理视频，最后进行俯卧撑的逻辑判断
基于PicoDet的无人机视角VisDrone目标检测与ncnn部署
m0_63642362的博客
02-11 1923
基于PicoDet实现对VisDrone数据的目标检测，尝试在无人机视角下的检测小目标，并基于ncnn部署。
2、picodet转onnx裁剪及python onnxruntime推理
dddeee的专栏
04-19 1146
picodet转换onnx模型并对相关结构进行裁剪，最后进行推理
pp-picodet从环境配置到部署全流程（4）——训练评估测试
机器人涮火锅的博客
07-27 866
本篇文章主要介绍如何用自己的数据集训练模型，然后评估和测试。
pp-picodet pytorch
最新发布
04-30
pp-PicoDet是基于PyTorch框架开发的一个目标检测算法。它采用了基于BiFPN的网络架构，可以有效提升模型性能。PicoDet的设计理念是在保证模型精度的同时，尽可能减小模型规模，以满足在移动设备等资源受限的场景下的需求。pp-PicoDet在PicoDet的基础上进行了改进，使用了更加轻量的骨干网络，同时使用了更加高效的后处理算法，进一步减小了模型规模和计算量。pp-PicoDet在COCO数据集上的表现优于一些其他轻量级目标检测算法，同时其推理速度也比较快。总的来说，pp-PicoDet是一个性能较好、轻量化的目标检测算法，可以满足在资源受限的场景下的需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器人涮火锅

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值