【C++ 图像处理 fastDeploy】20230912-fastDeploy安装测试

fastDeploy安装测试

一、环境

Microsoft Visual C++ 2022

fastdeploy-win-x64-1.0.7，下载地址

测试数据

• ppyoloe_crn_l_300e_coc下载
• test_det.jpg下载

二、fastDeploy下载安装配置环境

2.1 下载

下载地址见"一、环境"中的链接。可以选择下载源码自己编译，也可以选择预编译好的库，下载后直接配置开发环境。我选择直接下载预编译好的库。

首先切换“中文模式”

然后向下滑动，可以找到“预编译库下载安装”。

如果没有GPU环境就选“CPU部署环境”下的C++SDK安装，有GPU选谁都一样，GPU会计算快些。找到下面箭头的压缩文件下载。

下载好后，有些文件路径下（文件路径中出现有空格的），需要移动，因为之后有一步需要cmd模式下使用路径，就算给文件路径打上双引号还是会有问题，所以直接一步搞定，移动到没有特殊字符的文件夹下。如下，我移动到了

D:\Program

文件夹下。

然后进入进入“fastdeploy-win-x64-1.0.7”文件夹下，在导航栏中输入cmd，进入cmd模式

在cmd对话框中，输入下面命令：

fastdeploy_init.bat install %cd% .\dir_to_copy

该命令会把fastdeploy使用的所有dll拷贝到当前目录的“dir_to_copy”文件夹下。

运行结束后，可以在“fastdeploy-win-x64-1.0.7”文件夹下看到新增了“dir_to_copy”，并且里面有多个dll文件。

这里面的dll都会拷贝到之后的项目运行目录下。

2.2 配置环境

需要创建项目，我创建的名字为“fastDeployDemo"。

选择的是"Release"和"x64"。

2.2.1 配置项目属性。

首先进入项目属性配置界面。有以下两种方式。

第一种方式，如序号1，右键点击项目名“fastDeployDemo”，选择“属性”，进入项目属性配置界面。

第二种方式，如序号2，需要先选中“fastDeployDemo”项目，然后再在导航栏中点击“项目”，选择“属性”。

然后依次配置"附加包含目录"。

D:\Program\fastdeploy-win-x64-1.0.7\third_libs\install\opencv\build\include
D:\Program\fastdeploy-win-x64-1.0.7\include

再配置"附加库目录"。

D:\Program\fastdeploy-win-x64-1.0.7\third_libs\install\opencv\build\x64\vc15\lib
D:\Program\fastdeploy-win-x64-1.0.7\lib

最后配置附加依赖项

D:\Program\fastdeploy-win-x64-1.0.7\lib\fastdeploy.lib
D:\Program\fastdeploy-win-x64-1.0.7\third_libs\install\opencv\build\x64\vc15\lib\opencv_world3416.lib

2.2.2 移动dll文件到项目文件夹下

在2.1节中已经将需要移动的dll文件已经存放在“dir_to_copy”文件夹下了，将该文件加下的所有dll文件移动到项目文件夹下，我的路径为：

D:\Microsoft Visual Studio\workspace\fastDeployDemo

三、测试

以上fastdeploy-win-x64-1.0.7的环境已经配置完成了。接下来就是测试了。

3.1 测试准备

参考文档链接

• ppyoloe_crn_l_300e_coc下载
• test_det.jpg下载

将“ppyoloe_crn_l_300e_coc”文件解压在

D:\Microsoft Visual Studio\workspace\fastDeployDemo

路径下，如下图

“test_det.jpg”文件直接放在上述路径下。

3.2 测试代码

#include "fastdeploy/vision.h"

#ifdef WIN32
const char sep = '\\';
#else
const char sep = '/';
#endif

void CpuInfer(const std::string& model_dir, const std::string& image_file) {
    auto model_file = model_dir + sep + "model.pdmodel";
    auto params_file = model_dir + sep + "model.pdiparams";
    auto config_file = model_dir + sep + "infer_cfg.yml";
    //auto option = fastdeploy::RuntimeOption();
    //option.UseCpu();
    fastdeploy::RuntimeOption option;
    auto model = fastdeploy::vision::detection::PPYOLOE(model_file, params_file,
        config_file, option);
    if (!model.Initialized()) {
        std::cerr << "Failed to initialize." << std::endl;
        return;
    }

    auto im = cv::imread(image_file);

    fastdeploy::vision::DetectionResult res;
    if (!model.Predict(im, &res)) {
        std::cerr << "Failed to predict." << std::endl;
        return;
    }
    //assert(model.Predict(&im, &result)); // 判断是否预测成功
    std::cout << res.Str() << std::endl;
    auto vis_im = fastdeploy::vision::VisDetection(im, res, 0.5);
    cv::imwrite("vis_result.jpg", vis_im);
    std::cout << "Visualized result saved in ./vis_result.jpg" << std::endl;
}

int main(int argc, char* argv[]) {
    std::string  model_dir = "ppyoloe_crn_l_300e_coco";
    std::string image_file = "test_det.jpg";
    CpuInfer(model_dir, image_file);
    return 0;
}

3.3 测试结果

运行上述代码，控制台输出如下所示。

运行成功会在项目目录下产生“vis_result.jpg”文件。

其结果展示如下所示。上图为原图，下图为结果图。

3.4 坑

运行fastDeploy的测试代码，没有输出结果，和原图还是一摸一样。

在fastDeploy的开发文档中，给的源代码为：

#include "fastdeploy/vision.h"
int main() {
  std::string model_file = "ppyoloe_crn_l_300e_coco/model.pdmodel";
  std::string params_file = "ppyoloe_crn_l_300e_coco/model.pdiparams";
  std::string infer_cfg_file = "ppyoloe_crn_l_300e_coco/infer_cfg.yml";
  // 模型推理的配置信息
  fastdeploy::RuntimeOption option;
  auto model = fastdeploy::vision::detection::PPYOLOE(model_file, params_file, infer_cfg_file, option);

  assert(model.Initialized()); // 判断模型是否初始化成功

  cv::Mat im = cv::imread("test_det.jpg");
  fastdeploy::vision::DetectionResult result;
  
  assert(model.Predict(&im, &result)); // 判断是否预测成功

  std::cout << result.Str() << std::endl;

  cv::Mat vis_im = fastdeploy::vision::Visualize::VisDetection(im, result, 0.5);
  // 可视化结果保存到本地
  cv::imwrite("vis_result.jpg", vis_im);
  std::cout << "Visualized result save in vis_result.jpg" << std::endl;
  return 0;
}

这个源码和我提供的测试代码，其实最主要的差别在于“判断是否预测成功”这一块的代码：

    fastdeploy::vision::DetectionResult res;
    if (!model.Predict(im, &res)) {
        std::cerr << "Failed to predict." << std::endl;
        return;
    }// 判断是否预测成功

assert(model.Predict(&im, &result)); // 判断是否预测成功

使用assert的方式就会没有检测结果，所以需要替换掉assert，使用第一种方式就能运行出结果。

四、其他资源下载

模型下载地址：https://aistudio.baidu.com/modelsoverview
从该链接下载模型后，可直接解压在项目文件夹下，替换

std::string  model_dir = "ppyoloe_crn_l_300e_coco";

中的“ppyoloe_crn_l_300e_coco”为对应的解压后的文件夹名。就可以直接使用模型检测图片了。