PaddleLite使用颖脉NNA预测部署

Paddle Lite已支持Imagination NNA的预测部署。 其接入原理是与之前华为Kirin NPU类似，即加载并分析Paddle模型，将Paddle算子转成Imagination DNN APIs进行网络构建，在线生成并执行模型。

支持现状

已支持的芯片

  • 紫光展锐虎贲T7510

已支持的设备

  • 海信F50，Roc1开发板（基于T7510的微型电脑主板）

  • 酷派X10（暂未提供demo）

已支持的Paddle模型

模型

性能

  • 测试环境

    • 编译环境

      • Ubuntu 18.04，GCC 5.4 for ARMLinux aarch64

    • 硬件环境

      • 紫光展锐虎贲T7510

        • Roc1开发板

        • CPU：4 x Cortex-A75 2.0 GHz + 4 x Cortex-A55 1.8 GHz

        • NNA：4 TOPs @1.0GHz

  • 测试方法

    • warmup=10，repeats=30，统计平均时间，单位是ms

    • 线程数为1，DeviceInfo::Global().SetRunMode设置LITE_POWER_HIGH

    • 分类模型的输入图像维度是{1，3，224，224}

  • 测试结果

模型紫光展锐虎贲T7510
CPU(ms)NPU(ms)
MobileNetV1-int861.418.02

已支持（或部分支持）的Paddle算子

  • relu

  • conv2d

  • depthwise_conv2d

  • pool2d

  • fc

可以通过访问https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/kernels/imagination_nna/bridges/paddle_use_bridges.h获得最新的算子支持列表。

参考示例演示

测试设备(Roc1开发板)

roc1_front

roc1_back

准备设备环境

  • 需要依赖特定版本的firmware，请联系Imagination相关研发同学 jason.wang@imgtec.com；

  • 确定能够通过SSH方式远程登录Roc 1开发板；

  • 由于Roc 1的ARM CPU能力较弱，示例程序和PaddleLite库的编译均采用交叉编译方式。

准备交叉编译环境

  • 按照以下两种方式配置交叉编译环境：

    • Docker交叉编译环境：由于Roc1运行环境为Ubuntu 18.04，且Imagination NNA DDK依赖高版本的glibc，因此不能直接使用编译环境准备中的docker image，而需要按照如下方式在Host机器上手动构建Ubuntu 18.04的docker image；

      1. $ wget https://paddlelite-demo.bj.bcebos.com/devices/imagination/Dockerfile
      2. $ docker build --network=host -t paddlepaddle/paddle-lite-ubuntu18_04:1.0 .
      3. $ docker run --name paddle-lite-ubuntu18_04 --net=host -it --privileged -v $PWD:/Work -w /Work paddlepaddle/paddle-lite-ubuntu18_04:1.0 /bin/bash

    • Ubuntu交叉编译环境：要求Host为Ubuntu 18.04系统，参考编译环境准备中的”交叉编译ARM Linux”步骤安装交叉编译工具链。

  • 由于需要通过scp和ssh命令将交叉编译生成的PaddleLite库和示例程序传输到设备上执行，因此，在进入Docker容器后还需要安装如下软件：

    1. # apt-get install openssh-client sshpass

运行图像分类示例程序

  • 下载示例程序PaddleLite-linux-demo.tar.gz，解压后清单如下：

    1. - PaddleLite-linux-demo
    2.   - image_classification_demo
    3.     - assets
    4.       - images 
    5.         - tabby_cat.jpg # 测试图片
    6.         - tabby_cat.raw # 已处理成raw数据的测试图片
    7.       - labels
    8.         - synset_words.txt # 1000分类label文件
    9.       - models
    10.         - mobilenet_v1_int8_224_for_cpu_fluid # Paddle fluid non-combined格式的、适用于ARM CPU的mobilenetv1量化模型
    11.         - mobilenet_v1_int8_224_for_imagination_nna_fluid # Paddle fluid non-combined格式的、适用于Imagination NNA的mobilenetv1全量化模型
    12.         - mobilenet_v1_int8_224_for_cpu
    13.           - model.nb # 已通过opt转好的、适合ARM CPU的mobilenetv1量化模型
    14.         - mobilenet_v1_int8_224_for_imagination_nna
    15.           - model.nb # 已通过opt转好的、适合Imagination NNA的mobilenetv1全量化模型
    16.     - shell
    17.       - CMakeLists.txt # 示例程序CMake脚本
    18.       - build
    19.         - image_classification_demo # 已编译好的示例程序
    20.       - image_classification_demo.cc # 示例程序源码
    21.       - convert_to_raw_image.py # 将测试图片保存为raw数据的python脚本
    22.       - build.sh # 示例程序编译脚本
    23.       - run.sh # 示例程序运行脚本
    24.   - libs
    25.     - PaddleLite
    26.       - arm64
    27.         - include # PaddleLite头文件
    28.         - lib
    29.           - libcrypto.so.1.1
    30.           - libssl.so.1.1
    31.           - libz.so.1.2.11
    32.           - libgomp.so.1 # gnuomp库
    33.           - libimgcustom.so # Imagination NNA的部分layer的软件实现，PaddleLite暂时没有用到
    34.           - libimgdnn.so # Imagination NNA的DNN组网、编译和执行接口库
    35.           - libnnasession.so # Imagination NNA的推理runtime库
    36.           - nna_config # Imagination NNA硬件和模型编译（mapping）配置文件，运行测试程序时，一定要放在可执行程序的同级目录下
    37.           - libpaddle_light_api_shared.so # 用于最终移动端部署的预编译PaddleLite库（tiny publish模式下编译生成的库）
    38.           - libpaddle_full_api_shared.so # 用于直接加载Paddle模型进行测试和Debug的预编译PaddleLite库（full publish模式下编译生成的库）

  • 按照以下命令分别运行转换后的ARM CPU模型和Imagination NNA模型，比较它们的性能和结果；

    1. 注意：
    2. 1）run.sh必须在Host机器上运行，且执行前需要配置目标设备的IP地址、SSH账号和密码；
    3. 2）build.sh建议在docker环境中执行，目前只支持arm64。
    5. 运行适用于ARM CPU的mobilenetv1全量化模型
    6. $ cd PaddleLite-linux-demo/image_classification_demo/assets/models
    7. $ cp mobilenet_v1_int8_224_for_cpu/model.nb mobilenet_v1_int8_224_for_cpu_fluid.nb
    8. $ cd ../../shell
    9. $ vim ./run.sh
    10.   MODEL_NAME设置为mobilenet_v1_int8_224_for_cpu_fluid
    11. $ ./run.sh
    12.   warmup: 5 repeat: 10, average: 61.408800 ms, max: 61.472000 ms, min: 61.367001 ms
    13.   results: 3
    14.   Top0  tabby, tabby cat - 0.522023
    15.   Top1  Egyptian cat - 0.395266
    16.   Top2  tiger cat - 0.073605
    17.   Preprocess time: 0.834000 ms
    18.   Prediction time: 61.408800 ms
    19.   Postprocess time: 0.161000 ms
    21. 运行适用于Imagination NNA的mobilenetv1全量化模型
    22. $ cd PaddleLite-linux-demo/image_classification_demo/assets/models
    23. $ cp mobilenet_v1_int8_224_for_imagination_nna/model.nb mobilenet_v1_int8_224_for_imagination_nna_fluid.nb
    24. $ cd ../../shell
    25. $ vim ./run.sh
    26.   MODEL_NAME设置为mobilenet_v1_int8_224_for_imagination_nna_fluid
    27. $ ./run.sh
    28.   warmup: 5 repeat: 10, average: 18.024800 ms, max: 19.073000 ms, min: 17.368999 ms
    29.   results: 3
    30.   Top0  Egyptian cat - 0.039642
    31.   Top1  tabby, tabby cat - 0.039642
    32.   Top2  tiger cat - 0.026363
    33.   Preprocess time: 0.815000 ms
    34.   Prediction time: 18.024800 ms
    35.   Postprocess time: 0.169000 ms

  • 如果需要更改测试图片，可通过convert_to_raw_image.py工具生成；

  • 如果需要重新编译示例程序，直接运行./build.sh即可，注意：build.sh的执行建议在docker环境中，否则可能编译出错。

更新模型

  • 通过Paddle Fluid训练，或X2Paddle转换得到MobileNetv1 foat32模型mobilenet_v1_fp32_224_fluid；

  • 参考模型量化-静态离线量化使用PaddleSlim对float32模型进行量化（注意：由于Imagination NNA只支持tensor-wise的全量化模型，在启动量化脚本时请注意相关参数的设置），最终得到全量化MobileNetV1模型mobilenet_v1_int8_224_fluid；

  • 参考模型转化方法，利用opt工具转换生成Imagination NNA模型，仅需要将valid_targets设置为imagination_nna,arm即可。

    1. $ ./opt --model_dir=mobilenet_v1_int8_224_for_imagination_nna_fluid \
    2.     --optimize_out_type=naive_buffer \
    3.     --optimize_out=opt_model \
    4.     --valid_targets=imagination_nna,arm
    6. 替换自带的Imagination NNA模型
    7. $ cp opt_model.nb mobilenet_v1_int8_224_for_imagination_nna/model.nb

  • 注意：opt生成的模型只是标记了Imagination NNA支持的Paddle算子，并没有真正生成Imagination NNA模型，只有在执行时才会将标记的Paddle算子转成Imagination DNN APIs，最终生成并执行模型。

更新支持Imagination NNA的Paddle Lite库

  • 下载PaddleLite源码和Imagination NNA DDK

    1. $ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
    2. $ cd Paddle-Lite
    3. $ git checkout <release-version-tag>
    4. $ curl -L https://paddlelite-demo.bj.bcebos.com/devices/imagination/imagination_nna_sdk.tar.gz -o - | tar -zx

  • 编译并生成PaddleLite+ImaginationNNA for armv8的部署库

    • For Roc1

      • tiny_publish编译方式

        1. $ ./lite/tools/build_linux.sh --with_extra=ON --with_log=ON --with_imagination_nna=ON --imagination_nna_sdk_root=./imagination_nna_sdk
        3. 将tiny_publish模式下编译生成的build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nna/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-linux-demo/libs/PaddleLite/arm64/lib/libpaddle_light_api_shared.so文件；

      • full_publish编译方式

        1. $ ./lite/tools/build_linux.sh --with_extra=ON --with_log=ON --with_imagination_nna=ON --imagination_nna_sdk_root=./imagination_nna_sdk full_publish
        3. 将full_publish模式下编译生成的build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nna/cxx/lib/libpaddle_full_api_shared.so替换PaddleLite-linux-demo/libs/PaddleLite/arm64/lib/libpaddle_full_api_shared.so文件;

    • 将编译生成的build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nna/cxx/include替换PaddleLite-linux-demo/libs/PaddleLite/arm64/include目录；

  • 替换头文件后需要重新编译示例程序

其它说明

  • Imagination研发同学正在持续增加用于适配Paddle算子bridge/converter，以便适配更多Paddle模型。