多框架、多硬件支持,端侧推理引擎 Paddle Lite 2.0 正式发布

阅读数:920 2019 年 11 月 8 日 13:48

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

今年 8 月,飞桨(PaddlePaddle)对外发布面向终端和边缘设备的端侧推理引擎 Paddle Lite Beta 版。经过近两个多月的迭代和发展,2019 Wave Summit+ 深度学习开发者峰会Paddle Lite 2.0 正式版发布

Paddle Lite 的 Github 链接:

https://github.com/PaddlePaddle/Paddle-Lite

飞桨团队也透露,将在今年内继续推进若干小版本的升级,并期待和欢迎开发者加入社区并给出反馈。

在 AI 技术落地中,推理阶段与实际应用相关联,直接关系到用户的体验,是非常具有挑战性的一环。

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

图 1 典型端侧 AI 应用部署场景

Paddle Lite 是飞桨产品栈中用于端侧高性能轻量化 AI 应用部署的推理引擎,核心用途是将训练出的模型在不同硬件平台场景下快速部署,根据输入数据,执行预测推理得到计算结果,支持实际的业务应用。

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

图 2 Paddle Lite 功能定位

Paddle lite 自 Beta 版发布以来,在如下核心功能上进行升级:

  • 多框架支持:原生支持 PaddlePaddle 的模型,同时通过 X2Paddle 工具,提供对 TensorFlow,PyTorch 和 ONNX 模型格式的更充分的支持;

  • 多硬件支持:除了 ARM CPU、移动端 GPU、华为 NPU,新增支持 Nvidia GPU 和 X86 CPU;

  • 更好的性能:更新 benchmark,提升了在 ARM CPU 上尤其是 int8 的性能;

  • 更加完备的功能:支持 python API,优化编译流程,新增预测库极致裁剪等功能;

  • 更加完善的文档和 demo:提供完善的文档和多平台的 demo,包括安卓、iOS 和树莓派等。

多框架支持

Paddle Lite 不仅可以支持 Paddle 格式模型,也支持 Caffe, TensorFlow, ONNX 等第三方格式的模型,详情可以参考 X2Paddle 。官方已经验证如下主流模型的适配情况:

模型 paddle caffe tensorflow onnx
mobilenetv1 Y Y Y
mobilenetv2 Y Y Y Y
resnet18 Y Y Y
resnet50 Y Y Y Y
mnasnet Y Y Y
efficientnet Y Y Y Y
squeezenetv1.1 Y Y Y
shufflenet Y Y Y
mobilenet_ssd Y Y Y
mobilenet_yolov3 Y Y
inceptionv4 Y
mtcnn Y Y Y
facedetection Y Y
unet Y Y Y
ocr_attention Y
vgg16 Y

除了上述主流模型以外,

ARM CPU FP32 新增如下 3 个模型支持:

  • transformer

  • facebox

  • blazeface

ARM CPU INT8 量化预测支持如下模型:

  • shufflenetv2

  • mobilenet-ssd

  • vgg16

  • googlenet

  • mobilenetv1

  • mobilenetv2

  • Resnet50

多硬件支持

在 v2.0 版本中,Paddle Lite 新增 Nvidia GPU 和 X86 CPU 两大类硬件支持。

Nvidia GPU 方面,为了充分利用 GPU 的高性能,Paddle Lite 用 CUDA 相关软件栈开发了对应的 Kernel,支持 Nvidia 多类 GPU 硬件,比如服务器端的 P4、T4,以及嵌入式端的 Jetson TX2、TX1、Nano 等。

目前 CUDA GPU 支持如下三种模型:

  • Yolov3

  • Alexnet

  • Unet

在 X86 CPU 方面,Paddle Lite 增加了 MKL 相关 Kernel,目前能够驱动 inception v4, googlenet, resnet50 等 3 个模型的高效执行,相应算子对其他多数 CV 类模型具有普适性。

更好的性能

ARM CPU (v7,v8) 上 float32 和 int8 两种计算模式的预测性能均得到提升(见图 3,图 4),详情可以参考最新的 Benchmark

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

图 3

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

图 4

测试条件:batchsize=1,单线程

更加完备的功能

  • 支持 python API

为了简化 ARM Linux 相关硬件上的预测部署,Paddle Lite 增加了 Python API 的预测接口,目前在树莓派和 Jetson TX2 等卡上做了应用验证。

  • 优化编译流程

Paddle Lite 支持两种模式的编译:

  1. tiny_publish:用于对部署体积有严格要求的平台,对应 MobileConfig 预测接口。

  2. full_publish:用于对部署体积无要求的平台,使用简便,对应 CxxConfig 预测接口。

编译方面,除了 docker 以外,新增了 Linux(推荐 Ubuntu)、Mac 等编译平台的支持,并且修复了编译(full_publish)时下载 git submodule 缓慢的问题。

在统一的编译脚本下,目前支持:

  • android ARM CPU, GPU

  • IOS

  • X86

  • NV GPU/CUDA

  • Huawei NPU

  • ARM Linux

等硬件平台的预测库编译。

  • 预测库极致裁剪

Paddle Lite 对现有移动端预测库进行了进一步压缩,ARM V8 so 从 1.4M 降到 1.3M;此外,还发布了根据单个模型做定制裁剪的功能,即生成一个只包含该模型必需算子的预测库,效果如下图所示:

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

图 5

更加完善的文档和 DEMO

完善文档内容,主要包括

  • 增加支持硬件的列表,参考 here
  • 增加根据模型裁剪算子的方法,参考 here
  • 更新最新 Benchmark,参考 here

为了实际地展示 Paddle Lite 的部署能力,Paddle Lite 增加了 Paddle-Lite-Demo GitHub 官方 DEMO 库,目前包含

  • Android ARM CPU

  • Android Huawei NPU

  • IOS ARM CPU

  • ARM Linux 树莓派

等多种平台,包括分类、检测等模型的功能演示。

以 ARM Linux 树莓派为例,Paddle Lite 驱动树莓派 3B 调用摄像头进行识别任务,整体效果如图 6 所示:

多框架、多硬件支持,端侧推理引擎Paddle Lite 2.0 正式发布

图 6

详情请参考树莓派摄像头的购买、安装、配置与验证(以树莓派 3B 为例)

如果您想了解更多关于 Paddle Lite 的相关内容,请参阅以下文档。

Paddle Lite 的 Github 链接:

https://github.com/PaddlePaddle/Paddle-Lite

  1. Paddle Lite 的 Github 链接:

https://github.com/PaddlePaddle/Paddle-Lite

  1. Paddle Lite 的文档链接:

https://paddlepaddle.github.io/Paddle-Lite/

  1. Paddle Lite Demo 的链接:

https://github.com/PaddlePaddle/Paddle-Lite-Demo

  1. PaddlePaddle 的 Github 链接:

https://github.com/paddlepaddle

评论

发布