带你使用PaddleDetection玩转Windows下可视化部署

【飞桨开发者说】：余志良，菲特（天津）智能科技有限公司项目经理，百度黄埔学院二期学员

今年3月、4月我分别发布了两篇文章：《如何用PaddleDetection做一个完整的目标检测项目》以及《飞桨与PyQt的碰撞，图形化目标检测So Easy》，为大家讲解了从模型训练到模型部署的全过程，其中模型部署基于Paddle预测库的Python接口。本篇将教大家通过PaddleDetection编译C++预测库，并将其封装成dll，实现PaddleDetection在Windows环境下的模型部署。

本文内容主要包括：

• 如何进行C++预测的编译（生成.sln解决方案）
• 如何将C++预测代码封装成一个dll
• 如何使用Python调用生成好的dll
• 如何使用C#调用生成好的dll

如何进行C++预测代码的编译

（生成.sln解决方案）

使用工具Cmake vs2019社区版 Git(提前下载好git，不然在后期编译过程中会不成功)

预测代码来源：

https://github.com/PaddlePaddle/PaddleDetection/tree/master（注意选择master分支）

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

一、首先将上述需要依赖的OpenCV和预测库，PaddleDetection下载好，并保存在某个文件夹中。如下图是我存放的一个文件夹。

二、将OpenCV添加到环境变量里面，如下图所示。

三、利用Cmake软件进行编译。源码路径为cpp文件所在目录，因为里面有CMakeLists.txt文件，同时在该目录下创建了新的文件夹/out用于生成编译后的文件。

四、点击Configure，选择vs2019 X64选项后，点击Generate。

五、根据报错进行修改，主要修改cuda_lib、OpenCV、paddle_dir路径。

六、再次点击Generate。

七、点击Open Project，同时我们在out文件夹下发现了生成了解决方案。

八、针对“main”项目进行“重新生成”。同时一定要将模式配置成为Release。

九、出现报错。

十、修改报错---根据报错，应该是编译过程中，cudnn.lib寻找不正确。通过修改路径实现。方式为点击属性--连接器--输入--附加依赖项。

十一、改正上述错误后的正确的形式。

十二、重新生成，如下图是重新生成后的结果。

十三、运行该生成的main.exe文件。方式为打开out/release文件，会发现有一个main.exe文件。利用命令行打开后，运行即可。运行过程中需要添加模型的路径以及预测图像的路径。

注意：此时此刻进行预测的模型是按照《如何使用PaddleDetection实现完整的项目》中export.py文件形式导出“__model__”和“__params__”的形式，但是在后续paddle的升级过程中，export.py文件不仅仅会导出“__model__”和“__params__”，还会导出一个infer_cfg.yml的文件。在这个过程中，是使用PaddleDetection-release0.3版本进行导出的，因为之前安装的paddle版本是1.7的，而目前的master分支是必须使用paddle2.0版本的。因此小伙伴们需要注意这个问题。

如下图是所示的模型保存后的结果形式，依旧使用水果检测的模型进行预测。

其中yml文件内容

十四、预测结果如下图所示，我们看到输出的结果中有检测框的坐标、置信度、类别信息。

如下是在out文件夹生成的命名为“output.jpeg”的检测后图像

十五、对代码进行一下小修改。之前我们需要在命令行中输入图像和模型的路径，在代码中添加图像和模型的路径，查看预测情况。修改src/main.cpp这个文件如下：

十六、修改上述两处代码后，设置“设为启动项目”，并点击“本地windows调试器”

，直接查看输出的结果。

至此，完成了第一步以及第一步的所有测试。

如何将C++预测代码

封装成一个dll

一、 我们需要修改CMakeLists.txt文件，修改倒数第十三行，将

add_executable(main src/main.cc src/preprocess_op.cc src/object_detector.cc) 变成

ADD_library(main SHARED src/main.cc src/preprocess_op.cc src/object_detector.cc)

二、按照上文继续重新cmake一次。

三、再次经历之前的cudnn的路径问题，同时需要在属性—常规—配置类型中修改成.dll文件。

四、修改完上述内容后，点击“重新生成”，会发现out/release中出现了main.dll文件。

五、看到dll后，我们仿佛看到了曙光，但是还是需要进行修改，因为这样我们才能被调用，我简化了main.cc文件中的内容，并且配置了dll的接口，代码如下。其中有两个dll的接口，其中“add”是为了测试。

#include <glog/logging.h>

#include <iostream>
#include <string>
#include <vector>

#include "include/object_detector.h"


extern "C" __declspec(dllexport) void  Loadmodel();

extern "C" __declspec(dllexport) int add(int a, int b);

void PredictImage(const std::string& image_path,
    PaddleDetection::ObjectDetector* det);


int add(int a, int b) {
    return a + b;
}
void Loadmodel() {

    std::string model_dir = "D:\\0524\\test\\model";
    std::string image_path = "D:\\0524\\test\\orange_71.jpg";
    std::string video_path = "";
    std::string run_mode = "fluid";
    bool use_gpu = true;

    // Load model and create a object detector
    PaddleDetection::ObjectDetector det(model_dir, use_gpu, run_mode);
    PredictImage(image_path, &det);

}


void PredictImage(const std::string& image_path,
    PaddleDetection::ObjectDetector* det) {
    // Open input image as an opencv cv::Mat object
    cv::Mat im = cv::imread(image_path, 1);
    // Store all detected result
    std::vector<PaddleDetection::ObjectResult> result;
    det->Predict(im, &result);
    for (const auto& item : result) {
        printf("class=%d confidence=%.2f rect=[%d %d %d %d]\n",
            item.class_id,
            item.confidence,
            item.rect[0],
            item.rect[1],
            item.rect[2],
            item.rect[3]);
    }
    // Visualization result
    auto labels = det->GetLabelList();
    auto colormap = PaddleDetection::GenerateColorMap(labels.size());
    cv::Mat vis_img = PaddleDetection::VisualizeResult(
        im, result, labels, colormap);
    std::vector<int> compression_params;
    compression_params.push_back(CV_IMWRITE_JPEG_QUALITY);
    compression_params.push_back(95);
    cv::imwrite("output.jpeg", vis_img, compression_params);
    printf("Visualized output saved as output.jpeg\n");
}

六、继续点击“重新生成”，重新生成的dll就是下述步骤中我们即将调用的dll。

如何使用Python调用

生成好的dll

在上一章节我们说了如何生成dll，这一章节，我们需要进行测试，在这里我们使用Python进行测试，利用Python调用dll。在生成的dll的文件中创建一个叫mian.py的Python文件。Python部分代码如下：

from ctypes import *
dll=CDLL("main.dll")
print(dll.add(1,2))
print(dll.Loadmodel())

运行Python代码，可以看到最终输出结果如下图：

至此说明利用Python调用dll成功了。

如何使用C#调用生成好的dll

在上一个章节中我们说了如何使用Python调用dll，接着，我们尝试使用C#调用一个dll，此方式为工业上经常使用的一种方式。

一、首先创建一个C#的窗体应用程序。

二、在改窗体应用程序中设置一个button事件。

三、设置dll接口代码以及设置button，相关代码如下

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;
using System.Runtime.InteropServices;

namespace WindowsFormsApp1
{
    public partial class Form1 : Form
    {

        int a = 3;
        int b = 2;
        public Form1()
        {
            InitializeComponent();

        }
        [DllImport("main.dll", EntryPoint = "Loadmodel", CharSet = CharSet.Ansi)]
        public static extern void Loadmodel();

        [DllImport("main.dll", EntryPoint = "add", CharSet = CharSet.Ansi)]
        public static extern int add(int a, int b);
        private void button1_Click(object sender, EventArgs e)
        {
            int c = add(a, b);
            Loadmodel();
        }

        private void Form1_Load(object sender, EventArgs e)
        {

        }
    }
}

四、将C++ release路径下生成的文件全部复制到C#项目运行目录下，在C++的release文件中，有一些文件只有dll，没有对应的lib文件，这个时候，我们需要搜索到这些dll对应的lib文件，全部放在C#的运行目录下。（PS#这些对应的文件都在我们下载的paddle预测库中可以找到）

五、点击“启动按钮”进行测试；

六、我们在C#的运行目录下发现了生成了一张output.jpeg图片，证明我们调用成功

至此，该系列文章基本上完成了从训练到部署的所有流程，十分感谢在写作过程中飞桨同学的帮助，非常感谢高松鹤、梁钰同学的大力帮助。后续会根据飞桨针对C++预测的更新，继续更新完善该文章。