|
|
@@ -0,0 +1,127 @@
|
|
|
+# Visual Studio 2019 Community CMake 编译指南
|
|
|
+
|
|
|
+Windows 平台下，我们使用`Visual Studio 2019 Community` 进行了测试。微软从`Visual Studio 2017`开始即支持直接管理`CMake`跨平台编译项目，但是直到`2019`才提供了稳定和完全的支持，所以如果你想使用CMake管理项目编译构建，我们推荐你使用`Visual Studio 2019`环境下构建。
|
|
|
+
|
|
|
+
|
|
|
+## 前置条件
|
|
|
+* Visual Studio 2019
|
|
|
+* CUDA 9.0 / CUDA 10.0, CUDNN 7+ （仅在使用GPU版本的预测库时需要）
|
|
|
+* CMake 3.0+
|
|
|
+
|
|
|
+请确保系统已经安装好上述基本软件，我们使用的是`VS2019`的社区版。
|
|
|
+
|
|
|
+**下面所有示例以工作目录为 `D:\projects`演示**。
|
|
|
+
|
|
|
+### Step1: 下载代码
|
|
|
+
|
|
|
+下载源代码
|
|
|
+```shell
|
|
|
+git clone https://github.com/PaddlePaddle/PaddleX.git
|
|
|
+```
|
|
|
+
|
|
|
+**说明**：其中`C++`预测代码在`PaddleX/deploy/cpp` 目录，该目录不依赖任何`PaddleX`下其他目录。
|
|
|
+
|
|
|
+
|
|
|
+### Step2: 下载PaddlePaddle C++ 预测库 fluid_inference
|
|
|
+
|
|
|
+PaddlePaddle C++ 预测库针对不同的`CPU`和`CUDA`版本提供了不同的预编译版本，请根据实际情况下载: [C++预测库下载列表](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/advanced_guide/inference_deployment/inference/windows_cpp_inference.html)
|
|
|
+
|
|
|
+解压后`D:\projects\fluid_inference`目录包含内容为：
|
|
|
+```
|
|
|
+fluid_inference
|
|
|
+├── paddle # paddle核心库和头文件
|
|
|
+|
|
|
|
+├── third_party # 第三方依赖库和头文件
|
|
|
+|
|
|
|
+└── version.txt # 版本和编译信息
|
|
|
+```
|
|
|
+
|
|
|
+### Step3: 安装配置OpenCV
|
|
|
+
|
|
|
+1. 在OpenCV官网下载适用于Windows平台的3.4.6版本， [下载地址](https://sourceforge.net/projects/opencvlibrary/files/3.4.6/opencv-3.4.6-vc14_vc15.exe/download)
|
|
|
+2. 运行下载的可执行文件，将OpenCV解压至指定目录，如`D:\projects\opencv`
|
|
|
+3. 配置环境变量，如下流程所示
|
|
|
+ - 我的电脑->属性->高级系统设置->环境变量
|
|
|
+ - 在系统变量中找到Path（如没有，自行创建），并双击编辑
|
|
|
+ - 新建，将opencv路径填入并保存，如`D:\projects\opencv\build\x64\vc14\bin`
|
|
|
+
|
|
|
+### Step4: 使用Visual Studio 2019直接编译CMake
|
|
|
+
|
|
|
+1. 打开Visual Studio 2019 Community，点击`继续但无需代码`
|
|
|
+
|
|
|
+2. 点击： `文件`->`打开`->`CMake`
|
|
|
+
|
|
|
+
|
|
|
+选择项目代码所在路径，并打开`CMakeList.txt`：
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+3. 点击：`项目`->`cpp_inference_demo的CMake设置`
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+4. 点击`浏览`，分别设置编译选项指定`CUDA`、`OpenCV`、`Paddle预测库`的路径
|
|
|
+
|
|
|
+三个编译参数的含义说明如下（带*表示仅在使用**GPU版本**预测库时指定, 其中CUDA库版本尽量对齐，**使用9.0、10.0版本，不使用9.2、10.1等版本CUDA库**）：
|
|
|
+
|
|
|
+| 参数名 | 含义 |
|
|
|
+| ---- | ---- |
|
|
|
+| *CUDA_LIB | CUDA的库路径 |
|
|
|
+| OPENCV_DIR | OpenCV的安装路径， |
|
|
|
+| PADDLE_DIR | Paddle预测库的路径 |
|
|
|
+
|
|
|
+**注意：** 1. 使用`CPU`版预测库，请把`WITH_GPU`的勾去掉 2. 如果使用的是`openblas`版本，请把`WITH_MKL`勾去掉
|
|
|
+
|
|
|
+
|
|
|
+**设置完成后**, 点击上图中`保存并生成CMake缓存以加载变量`。
|
|
|
+
|
|
|
+5. 点击`生成`->`全部生成`
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+### Step5: 预测及可视化
|
|
|
+
|
|
|
+上述`Visual Studio 2019`编译产出的可执行文件在`out\build\x64-Release`目录下，打开`cmd`，并切换到该目录：
|
|
|
+
|
|
|
+```
|
|
|
+cd D:\projects\PaddleX\inference\out\build\x64-Release
|
|
|
+```
|
|
|
+
|
|
|
+编译成功后，预测demo的入口程序为`detector`，`classifer`，`segmenter`，其主要命令参数说明如下：
|
|
|
+
|
|
|
+| 参数 | 说明 |
|
|
|
+| ---- | ---- |
|
|
|
+| model_dir | 导出的预测模型所在路径 |
|
|
|
+| image | 要预测的图片文件路径 |
|
|
|
+| image_list | 按行存储图片路径的.txt文件 |
|
|
|
+| use_gpu | 是否使用 GPU 预测, 支持值为0或1(默认值为0) |
|
|
|
+| gpu_id | GPU 设备ID, 默认值为0 |
|
|
|
+| save_dir | 保存可视化结果的路径, 默认值为"output"，classfier无该参数 |
|
|
|
+
|
|
|
+
|
|
|
+`样例一`：
|
|
|
+
|
|
|
+不使用`GPU`测试图片 `D:\\images\\test.jpeg`
|
|
|
+
|
|
|
+```shell
|
|
|
+./detector --model_dir=D:\\models\\yolov3_darknet --image=D:\\images\\test.jpeg
|
|
|
+
|
|
|
+```
|
|
|
+图片文件`可视化预测结果`会保存在`save_dir`参数设置的目录下。
|
|
|
+
|
|
|
+
|
|
|
+`样例二`:
|
|
|
+
|
|
|
+使用`GPU`预测多个图片`D:\\images\\image_list.txt`，image_list.txt内容的格式如下：
|
|
|
+```
|
|
|
+D:\\images\\test.jpeg
|
|
|
+D:\\images\\test1.jpeg
|
|
|
+...
|
|
|
+D:\\images\\testn.jpeg
|
|
|
+```
|
|
|
+```shell
|
|
|
+./detector --model_dir=D:\\models\\yolov3_darknet --image_list=D:\\images\\images_list.txt --use_gpu=1
|
|
|
+```
|
|
|
+图片文件`可视化预测结果`会保存在`save_dir`参数设置的目录下。
|
|
|
+
|
Channingss