20+移动端硬件,Int8极速推理,端侧推理引擎Paddle Lite 2.0 正式发布

作者: 佚名 2019-12-23 15:11:23

 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上 Paddle Lite 2.0 正式版发布。

Paddle Lite 的 Github 链接:

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

Paddle Lite 致力于提供一套功能完整、易用、高性能的端侧推理引擎,方便广大开发者将应用部署到任何端侧设备之上。

对比最初的 beta 版本,正式版在编译、文档、性能、硬件支持、平台支持等方面都有了较大的改进提升。

而飞桨团队也透露,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。

20+移动端硬件,Int8极速推理,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。

20+移动端硬件,Int8极速推理,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 不仅可以支持飞桨格式模型,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:

20+移动端硬件,Int8极速推理,端侧推理引擎Paddle Lite 2.0 正式发布

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,链接如下:

https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/

20+移动端硬件,Int8极速推理,端侧推理引擎Paddle Lite 2.0 正式发布

图3

20+移动端硬件,Int8极速推理,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

①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。

②优化编译流程

Paddle Lite 支持两种模式的编译:

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

③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:

20+移动端硬件,Int8极速推理,端侧推理引擎Paddle Lite 2.0 正式发布

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:

https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/support_hardware/

  • 增加根据模型裁剪算子的方法,参考:

https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/library_tailoring/

  • 更新最新 Benchmark,参考:

https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/

为了实际地展示 Paddle Lite 的部署能力,Paddle Lite 增加了 Paddle-Lite-Demo:

https://github.com/PaddlePaddle/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:

20+移动端硬件,Int8极速推理,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:

https://github.com/PaddlePaddle/Paddle-Lite-Demo/blob/master/PaddleLite-armlinux-demo/enable-camera-on-raspberry-pi.md

如果您想了解更多关于 Paddle Lite 的相关内容,请参阅以下相关链接。

参考链接:

  • Paddle Lite 的 Github 链接:
  • https://github.com/PaddlePaddle/Paddle-Lite
  • Paddle Lite 的文档链接:
  • https://paddlepaddle.github.io/Paddle-Lite/
  • Paddle Lite Demo 的链接:
  • https://github.com/PaddlePaddle/Paddle-Lite-Demo
  • PaddlePaddle 的 Github 链接:
  • https://github.com/paddlepaddle
  • 如果使用过程中遇到任何问题,大家可通过 Paddle Lite 官方 QQ 群与开发人员进行技术交流及问题反馈,飞桨 Paddle Lite 官方 QQ 群(群号696965088)。
人工智能 机器学习 技术
上一篇:人脸识别技术运用中的认知误区 下一篇:史上最全解读 | 飞桨模型库重大升级,主流算法模型全覆盖
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

绿色机器人如何帮助环境可持续发展

各种各样的机器人已经被开发出来,它们能够以各种方式帮助保护环境,从扑灭野火,帮助管理垃圾,到清洁海洋和其他水体等。以下是绿色机器人帮助环境可持续发展的几种方法。

iothome ·  21h前
疫情当前,才知道AI原来是这么好用

近日,工信部表示,将部署运用新一代信息技术支撑服务疫情防控工作。并且工信部特别强调,要通过运用人工智能、大数据、云计算等服务疫情监测分析、人员流动和社区管理等,对疫情开展科学精准防控。

Witkey ·  1天前
什么是持续智能?对物联网有什么影响?

物联网世界将迎来充满希望的2020年。5G公司一再声称,2020年是5G在公共领域站稳脚跟,并普及的一年。

iothome ·  1天前
AI战“疫”,偶尔小尴尬背后,终极护城河现形

人类与新型冠状病毒的战“疫”仍然在进行中,在这期间,也催生出各类“人工智能+”应用,人工智能技术在此期间迎来大爆发。

张书乐 ·  3天前
意料之外 情理之中:解读Gartner 2020年数据科学和机器学习平台魔力象限

最近Gartner发布了数据科学和机器学习(DSML)平台魔力象限报告。数据科学、机器学习和人工智能的市场格局极为分散,竞争激烈且难以理解。Gartner尝试根据明确定义的标准对厂商进行了排名。

佚名 ·  3天前
DeepMind发布神经网络、强化学习库,网友:推动JAX发展

JAX由谷歌提出,是TensorFlow的简化库。结合了针对线性代数的编译器XLA,和自动区分本地 Python 和 Numpy 代码的库Autograd,在高性能的机器学习研究中使用。

十三 ·  3天前
谷歌透露:正在内部尝试用AI开发计算机芯片

据谷歌人工智能研究负责人Jeff Dean透露,谷歌正在尝试通过人工智能程序推进专用芯片的内部开发,以加速其软件。在旧金山举行的International Solid State Circuits Conference会上Dean表示:“我们内部正在将人工智能技术用于一系列芯片设计项目中。”

佚名 ·  3天前
4个步骤成功构建出一个机器学习团队

对一个公司来说,如何从0到1构建一个机器学习团队,是很多公司非常头疼的问题,这篇文章给出了一些建议,对求职者来说,同样具有参考价值。

AI公园 ·  3天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载