在C+中部署python（libtoch）模型的方法总结+,PytorchLibtorch,Win10VS2017

于 2021-04-20 20:59:11 发布
阅读量726 收藏 3
点赞数 1
分类专栏： libtorch部署 文章标签： c++ opencv pytorch
原文链接：https://www.pythonf.cn/read/152618
版权

 

 

目录

 

1、准备工作

（1）下载准备

 

D:\Code_Lib\libtorch\include
D:\Code_Lib\libtorch\include\torch\csrc\api\include

前者对应 #include <torch/script.h> ，后者对应 #include <torch/torch.h> 。

 

D:\Code_Lib\libtorch\lib

 

asmjit.lib
c10.lib
c10_cuda.lib
caffe2_detectron_ops_gpu.lib
caffe2_module_test_dynamic.lib
caffe2_nvrtc.lib
clog.lib
cpuinfo.lib
dnnl.lib
fbgemm.lib
libprotobuf.lib
libprotobuf-lite.lib
libprotoc.lib
mkldnn.lib
torch.lib
torch_cuda.lib
torch_cpu.lib

 

PATH=D:\Code_Lib\libtorch\lib;%PATH%

在这里插入图片描述
11. 将 C/C++ => 语言 => 符合模式，改为否；C/C++ => 常规=> SDL检查，改为否。

至此，在C++中部署Libtorch完成。可以通过运行测试程序进行测试。

3、踩坑汇总

如果过程中有踩坑的可以参考我的踩坑总结：
C++部署Pytorch（Libtorch）出现问题、错误汇总

 

转载自 https://www.pythonf.cn/read/152618

  • 下载安装VS2017
  • 安装配置OpenCV
    可参考博客： VS2017配置opencv教程（超详细！！！）
    ，讲的非常详细。
  • 安装配置CMake（对于CMake配置法）
    可参考博客： Windows下CMake安装教程
  • 下载Libtorch
    下载地址： https://pytorch.org/ ，根据自己的系统情况来选择下载版本。
    注意：
    （1）有debug和release两个版本，根据需要下载，debug版本的libtorch之后只能在debug下运行，release亦然。
    （2）下载的Libtorch需和生成.pt文件的pytorch版本一致，否则会无法读取.pt文件。
    下载并解压后，文件夹将有如下组成：
    在这里插入图片描述
    其中，include文件夹下是libtorch库的头文件；
    lib文件夹下是libtorch库的静态库（lib）和动态链接库（dll）；
    share文件夹下有之后cmake配置时要find的.cmake文件，用于在cmake时让项目链接到libtorch库；

  • （2）TorchScript（.pt文件）准备

    实际上，从Pytorch得到的网络模型接口的到C++就是通过Torch脚本（.pt文件）实现的。因此，需要先在Python中用Pytorch生成Torch脚本。

    有两种将PyTorch模型转换为Torch脚本的方法。
    第一种称为 跟踪 ，一种机制，通过使用示例输入对模型的结构进行一次评估，并记录这些输入在模型中的流动，从而捕获模型的结构。这适用于有限使用控制流的模型。
    第二种方法是在模型中添加 显式批注 ，以告知Torch Script编译器可以根据Torch Script语言施加的约束直接解析和编译模型代码。

    关于如何得到Torch脚本这里就不过多叙述了，想了解的可以参考以下资料：
    在C++ 中加载 TorchScript 模型
    官方TorchScript文档
    这里放两个我用于测试的代码，第一个用于只用libtorch库的简单测试，输入为随机的向量。最终在工作目录中生成resnet18.pt文件。

    import torch
from torchvision.models import resnet18
model =resnet18()
example = torch.rand(1, 3, 224, 224)
traced_script_module = torch.jit.trace(model, example)

traced_script_module.save("resnet18.pt")

    第二个是用于libtorch+OpenCV库测试，之后需要在C++中用OpenCV读取输入图像。采用torchvision.models中的Resnet50网络模型，实现图像的分类，分类结果说明参考： ImageNet图像库1000个类别名称（中文注释不断更新） 。最终生成resnet50.pt于工作目录中。

    import torch
import torchvision.models as models
from PIL import Image
import numpy as np

image = Image.open("E:/HM_DL/torch_test/torch_py/test1.jpg") 
image = image.resize((224, 224),Image.ANTIALIAS)
image = np.asarray(image)
image = image / 255
image = torch.Tensor(image).unsqueeze_(dim=0)
image = image.permute((0, 3, 1, 2)).float()

model = models.resnet50(pretrained=True)
model = model.eval()
resnet = torch.jit.trace(model, torch.rand(1,3,224,224))
# output=resnet(torch.ones(1,3,224,224))
output = resnet(image)
max_index = torch.max(output, 1)[1].item()
print(max_index) # ImageNet1000类的类别序

resnet.save('resnet50.pt')

    最终，通过将脚本模块序列化为文件，得到模型的.pt文件，这个文件就将作为C++的输入，用于实现在C++中部署Pytorch。

    2、配置步骤

    利用VS在C++中部署Pytorch模型的配置方法大致有两种： 基于CMake自动配置 ， 手动在VS中配置 。

    （1）CMake配置

    以我自己为例，首先在E:\torch_test下创建名为Example的文件夹，然后在该文件夹下分别创建C++测试代码（example-app.cpp）和CMakeLists.txt，以及一个名为build的文件夹。
    在这里插入图片描述
    example-app.cpp示例：
    配合第一个Python程序，测试libtorch库是否可用。

    #include <torch/script.h>  // One-stop header.
#include <iostream>
#include <memory>

int main() {
  // Deserialize the ScriptModule from a file using torch::jit::load().
  //std::shared_ptr<torch::jit::script::Module> module =
  //          torch::jit::load("E:/HM_DL/torch_test/traced_resnet_model.pt");

  using torch::jit::script::Module;
  Module module =
      torch::jit::load("E:/HM_DL/torch_test/traced_resnet_model.pt");

  std::cout << "ok\n";
  // Create a vector of inputs.
  std::vector<torch::jit::IValue> inputs;
  inputs.push_back(torch::ones({1, 3, 224, 224}));

  // Execute the model and turn its output into a tensor.
  at::Tensor output = module.forward(inputs).toTensor();

  std::cout << output.slice(/*dim=*/1, /*start=*/0, /*end=*/5) << '\n';
  while (1)
    ;
}

    配合第二个Python程序，同时测试libtorch库和OpenCV库。

    #include <torch/script.h>
#include <torch/torch.h>
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/opencv.hpp>
#include <vector>

void TorchTest() {
  torch::jit::script::Module module =
      torch::jit::load("E:/HM_DL/torch_test/torch_py/resnet.pt");

  std::cout << "Load model successful!" << std::endl;
  std::vector<torch::jit::IValue> inputs;
  inputs.push_back(torch::zeros({1, 3, 224, 224}));
  at::Tensor output = module.forward(inputs).toTensor();
  auto max_result = output.max(1, true);
  auto max_index = std::get<1>(max_result).item<float>();
  std::cout << max_index << std::endl;
}

void Classfier(cv::Mat &image) {
  torch::Tensor img_tensor = torch::from_blob(
      image.data, {1, image.rows, image.cols, 3}, torch::kByte);
  img_tensor = img_tensor.permute({0, 3, 1, 2});
  img_tensor = img_tensor.toType(torch::kFloat);
  img_tensor = img_tensor.div(255);
  torch::jit::script::Module module =
      torch::jit::load("E:/HM_DL/torch_test/torch_py/resnet.pt");
  torch::Tensor output = module.forward({img_tensor}).toTensor();
  auto max_result = output.max(1, true);
  auto max_index = std::get<1>(max_result).item<float>();
  std::cout << max_index << std::endl;
}

int main() {
  //    TorchTest();
  cv::Mat image = cv::imread("E:/HM_DL/torch_test/torch_py/test1.jpg");
  cv::resize(image, image, cv::Size(224, 224));
  cv::imshow("image", image);
  cv::waitKey(0);
  std::cout << image.rows << " " << image.cols << " " << image.channels()
            << std::endl;
  Classfier(image);
  return 0;
}

    CMakeLists.txt示例：

    cmake_minimum_required(VERSION 3.12 FATAL_ERROR)
project(example-app)

find_package(Torch REQUIRED)
find_package(OpenCV REQUIRED)

if(NOT Torch_FOUND)
    message(FATAL_ERROR "Pytorch Not Found!")
endif(NOT Torch_FOUND)

message(STATUS "Pytorch status:")
message(STATUS "    libraries: ${TORCH_LIBRARIES}")

message(STATUS "OpenCV library status:")
message(STATUS "    version: ${OpenCV_VERSION}")
message(STATUS "    libraries: ${OpenCV_LIBS}")
message(STATUS "    include path: ${OpenCV_INCLUDE_DIRS}")


add_executable(example-app example-app.cpp)
target_link_libraries(example-app ${TORCH_LIBRARIES} ${OpenCV_LIBS})
set_property(TARGET example-app PROPERTY CXX_STANDARD 11)

    然后打开cmd终端，进入build文件夹，输入：

    cmake -DCMAKE_PREFIX_PATH=D:\Opencv\opencv\build\x64\vc14\lib;D:\Code_Lib\libtorch -G "Visual Studio 15 Win64" ..

    其中，-DCMAKE_PREFIX_PATH后要写你下载的libtorch库的绝对路径和opencv库下\build\x64\vc14\lib的绝对路径。"Visual Studio 15 Win64"表示用VS2017 x64编译。另外注意，一定不要忘了最后的 .. ，这表示采用上一级目录下的cmake文件，否则会报错说build下没找到cmake文件。

    运行成功的话会生成解决方案，选择合适的编译方式，生成可执行文件，然后运行。如有报错，参考我的 C++部署Pytorch（Libtorch）出现问题、错误汇总

    （2）手动在VS配置

    除了采用CMake的方式，也可以直接在一个已建项目里通过配置环境属性来将项目连接到libtorch库。
    下面以一个新建空项目为例，展示一下具体步骤。

  • 首先用VS新建一个空项目。
  • 在解决方案资源管理器》源文件下添加一个新的cpp文件，将上述的测试代码复制进去。
  • 接下来开始配置属性，进入属性管理器》Debug | x64 》，右键点击Microsoft.Cpp.x64.user，选择“添加新项目属性表”
    在这里插入图片描述
    名称按自己喜好和功能来定，保存在合适的目录下。这样可以为libtorch和opencv建立专门的属性表，方便之后管理和使用。
  • 右键建立的属性表，选择属性。开始配置libtorch属性表。
  • 在 C/C++=>附加包含目录 中添加libtorch库的包含头文件路径：
  • 在 链接器=>常规=>附加库目录 中添加libtorch库的lib库路径：
  • 在 链接器=>输入=>附加依赖项 中添加需要的lib文件，如果不放心，可以把libtorch\lib目录下的所有lib文件都写进去。
    举例：
  • OpenCV的配置参考 VS2017配置opencv教程（超详细！！！）
  • 回到解决方案资源管理器，右键点击建立的项目，进入“属性”。
    在这里插入图片描述
  • 在 调试=>环境 里添加libtorch动态库的路径
PATH=D:\Code_Lib\libtorch\lib;%PATH%

在这里插入图片描述
11. 将 C/C++ => 语言 => 符合模式，改为否；C/C++ => 常规=> SDL检查，改为否。

至此，在C++中部署Libtorch完成。可以通过运行测试程序进行测试。

3、踩坑汇总

如果过程中有踩坑的可以参考我的踩坑总结：
C++部署Pytorch（Libtorch）出现问题、错误汇总

qgzhang526
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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
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