PaddleX的C++使用

最新推荐文章于 2024-08-01 16:02:10 发布

qq_40760888

最新推荐文章于 2024-08-01 16:02:10 发布

阅读量1.4k

点赞数 2

文章标签： paddlepaddle python 人工智能 c++ 深度学习

本文链接：https://blog.csdn.net/qq_40760888/article/details/115598857

版权

PaddleX的C++编译，C#调用dll实现预测

C++部署相关代码进行整理，并进行了如下工作：

1、将官方C++预测代码在Visual Studio下生成解决方案（.sln）
2、将C++预测代码进行生成dll
4、使用C#调用生成的dll

将官方的C++预测代码在Visual Studio下生成解决方案

使用工具Cmake vs2019社区版 Git 在这里插入图片描述

一、依赖库：

Opencv：选择3.4.6版本
https://sourceforge.net/projects/opencvlibrary/files/3.4.6/opencv-3.4.6-vc14_vc15.exe/download
Paddle预测库：选择win10下的cuda10版本。
https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/inference_deployment/inference/windows_cpp_inference.html
在这里插入图片描述

二、编译

这里我们选择使用cuda10.0 的，一定要和本地的cuda版本一致。之前使用本地的cudan10.2 编译，开启不了GPU预测。
一次点击按钮

在这里插入图片描述

编译需要的dll,这里我已经修改好了文件,并生成了dll文件。
在这里插入图片描述

改造了detector.ccp文件中代码，并在头文件中添加了接口文件。

namespace PaddleX {
//图片标签
char res[50];


PaddleX::Model* det;
void* Loadmodel(char * model_dir_c) {
  std::string model_dir = model_dir_c;
  std::string key = "";
  int thread_num = 2;
  int gpu_id = 0;
  bool use_trt = 0;
  bool use_gpu = 0;
  bool use_ir_optim = 0;
  // bool use_trt = 0;
  bool use_mkl = 1;

  // PaddleX:Model model;
  (det = new PaddleX::Model) ->Init(model_dir,
           use_gpu,
           use_trt,
           use_mkl,
           thread_num,
           gpu_id,
           key,
           use_ir_optim);

  // PredictImage(image, result );
}
static PaddleX::DetResult result;
char* PredictImage(char* input, int width, int height, int threshold) {
  cv::Mat im(height, width, CV_8UC3, input);

 // cv::Mat im = cv::imread(image_path, 1);


  det->predict(im, &result);

  for (int i = 0; i < result.boxes.size(); ++i) {
    strcpy_s(res, result.boxes[i].category.c_str());
  }
  return res;
  result.clear();
}

}

三、C#调用

到这里基本上已经生成了dll,现在使用C#调用dll

#加载模型文件
[DllImport("detector.dll", EntryPoint = "Loadmodel", CharSet = CharSet.Ansi)]
public static extern void Loadmodel([MarshalAs(UnmanagedType.LPStr)] string modelPath );

#加载图像（bitmap）
[DllImport("detector.dll", EntryPoint = "PredictImage", CharSet = CharSet.Ansi)]
public static extern IntPtr PredictImage( byte[] input, int width, int height, double，threshold);


private void button4_Click(object sender, EventArgs e)
 {
 	#初始化模型文件
	string models = @"F:\test\PaddleXdevelop\deploy\cpp\out\paddlex_inference\Release\inference";
	Loadmodel(models);
         
 }






private void button2_Click(object sender, EventArgs e)  {
	#开始预测，显示图像预测结果标签
   string image_path = @"C:\Users\admin\Desktop\yuan\12345.jpg";
   Bitmap bmp = new Bitmap(image_path);
   int stride;
   double threshold = 0.7;
   byte[] source = GetBGRValues(bmp, out stride);
   IntPtr seg_img = PredictImage(source, bmp.Width, bmp.Height, threshold);
   string result2 = Marshal.PtrToStringAnsi(seg_img);
   MessageBox.Show(result2);




}

 public static byte[] GetBGRValues(Bitmap bmp, out int stride)
 {
            var rect = new Rectangle(0, 0, bmp.Width, bmp.Height);
            var bmpData = bmp.LockBits(rect, System.Drawing.Imaging.ImageLockMode.ReadOnly, bmp.PixelFormat);
            stride = bmpData.Stride;
            var rowBytes = bmpData.Width * Image.GetPixelFormatSize(bmp.PixelFormat) / 8;
            var imgBytes = bmp.Height * rowBytes;
            byte[] rgbValues = new byte[imgBytes];
            IntPtr ptr = bmpData.Scan0;
            for (var i = 0; i < bmp.Height; i++)
            {
                Marshal.Copy(ptr, rgbValues, i * rowBytes, rowBytes);
                ptr += bmpData.Stride;
            }
            bmp.UnlockBits(bmpData);
            return rgbValues;
 }