cpp

FSANet C++部署示例

本目录下提供infer.cc快速完成FSANet在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。

在部署前，需确认以下两个步骤

• 1. 软硬件环境满足要求，参考FastDeploy环境要求
• 2. 根据开发环境，下载预编译部署库和samples代码，参考FastDeploy预编译库

以Linux上CPU推理为例，在本目录执行如下命令即可完成编译测试，保证 FastDeploy 版本0.6.0以上(x.x.x >= 0.6.0)支持FSANet模型

mkdir build
cd build
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-x.x.x.tgz
tar xvf fastdeploy-linux-x64-x.x.x.tgz
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-x.x.x
make -j

#下载官方转换好的 FSANet 模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/fsanet-var.onnx
wget https://bj.bcebos.com/paddlehub/fastdeploy/headpose_input.png
# CPU推理
./infer_demo --model fsanet-var.onnx --image headpose_input.png --device cpu
# GPU推理
./infer_demo --model fsanet-var.onnx --image headpose_input.png --device gpu
# GPU上TensorRT推理
./infer_demo --model fsanet-var.onnx --image headpose_input.png --device gpu --backend trt

运行完成可视化结果如下图所示

以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考:

• 如何在Windows中使用FastDeploy C++ SDK

FSANet C++接口

FSANet 类

fastdeploy::vision::headpose::FSANet(
        const string& model_file,
        const string& params_file = "",
        const RuntimeOption& runtime_option = RuntimeOption(),
        const ModelFormat& model_format = ModelFormat::ONNX)

FSANet模型加载和初始化，其中model_file为导出的ONNX模型格式。 参数

• model_file(str): 模型文件路径
• params_file(str): 参数文件路径，当模型格式为ONNX时，此参数传入空字符串即可
• runtime_option(RuntimeOption): 后端推理配置，默认为None，即采用默认配置
• model_format(ModelFormat): 模型格式，默认为ONNX格式

Predict函数

FSANet::Predict(cv::Mat* im, HeadPoseResult* result)

模型预测接口，输入图像直接输出头部姿态预测结果。

参数

• im: 输入图像，注意需为HWC，BGR格式
• result: 头部姿态预测结果, HeadPoseResult说明参考视觉模型预测结果

类成员变量

用户可按照自己的实际需求，修改下列预处理参数，从而影响最终的推理和部署效果

• size(vector<int>): 通过此参数修改预处理过程中resize的大小，包含两个整型元素，表示[width, height], 默认值为[112, 112]

• 模型介绍
• Python部署
• 视觉模型预测结果
• 如何切换模型推理后端引擎