系列文章 如何使用PaddleDetection做一個完整項目（三）

該文章是PaddleDetection的完結篇，請參考之前兩篇文章

https://zhuanlan.zhihu.com/p/106981555?zhuanlan.zhihu.comhttps://zhuanlan.zhihu.com/p/111807886?zhuanlan.zhihu.com

本文將針對如何使用PaddleDetection中C++預測庫的編譯，封裝，調用進行說明。

• 如何進行C++預測的編譯（生成.sln解決方案）；
• 如何將C++預測代碼封裝成一個dll；
• 如何使用python調用生成好的dll；
• 如何使用C#調用生成好的dll；

如何進行C++預測代碼的編譯（生成.sln解決方案）

使用工具：Cmake vs2019社區版 Git(提前下載好git，不然在后期編譯過程中會不成功)

預測代碼來源：https://github.com/PaddlePaddle/PaddleDetection/tree/master （注意選擇master分支）

依賴庫：

Opencv：選擇3.4.6版本

https://sourceforge.net/projects/opencvlibrary/files/3.4.6/opencv-3.4.6-vc14_vc15.exe/download?sourceforge.net

Paddle預測庫：選擇win10下的cuda10版本。

安裝與編譯 Windows 預測庫?www.paddlepaddle.org.cn

一、首先將上述需要依賴的opencv和預測庫，PaddleDetection下載好，并保存在某個文件夾中。如下圖是作者存放的一個文件夾。

二、將opencv添加到環境變量里面，如下圖所示。

三、利用Cmake軟件進行編譯。源碼路徑為cpp文件所在目錄，應為里面有CMakeLists.txt文件，作者同時在該目錄下創建了新的文件夾/out用于生成編譯后的文件。

四、點擊config，選擇vs2019 X64選項后，點擊Generate

五、根據報錯進行修改，主要修改cuda_lib、opencv、paddle_dir路徑

六、再次點擊Generate

七、點擊open project，同時我們在out文件夾下發現了生成了解決方案。

八、針對“main”項目進行“重新生成”。同時一定要將模式配置成為Release

九、出現報錯

十、修改報錯---根據報錯，應該是編譯過程中，cudnn.lib尋找不正確。通過修改路徑實現。方式為點擊屬性--連接器--輸入--附加依賴項。

十一、改正上述錯誤后的正確的形式

十二、重新生成，如下圖是重新生成后的結果。

十二、運行該生成的main.exe文件。方式為打開out/release文件，會發現有一個main.exe文件。利用命令行打開后，運行即可。運行過程中需要添加模型的路徑以及預測圖像的路徑。

Ps#####此時此刻進行預測的模型是按照《系列文章 如何適用PaddleDetection實現一完整的項目（一）》中export.py文件形式導出“__model__”和“__params__”的形式，但是在后續paddle的升級過程中，export.py文件不僅僅會導出“__model__”和“__params__”，還會導出一個infer_cfg.yml的文件。作者在這個過程中，是使用PaddleDetection-release0.3版本進行導出的，因為作者之前安裝的paddle版本是1.7的，而目前的master分支是必須使用paddle2.0版本的。因此小伙伴們需要注意這個問題。

如下圖是所示的模型保存后的結果形式，作者依舊使用水果檢測的模型進行預測。

其中yml文件內容

十三、預測結果如下圖所示，我們看到輸出的結果中有檢測框的坐標、置信度、類別信息。

如下是在out文件夾生成的命名為“output.jpeg”的檢測后圖像

十四、對代碼進行一下小修改。之前我們需要在命令行中輸入圖像和模型的路徑，作者在代碼中添加圖像和模型的路徑，查看預測情況。修改如下：

十五、修改上述兩處代碼后，設置“設為啟動項目”，并點擊“本地windows調試器”

，直接查看輸出的結果。

至此，完成了第一步以及第一步的所有測試。

如何將C++預測代碼封裝成一個dll

我們需要修改CMakeLists.txt文件，修改倒數第十三行

將add_executable(main src/http://main.cc src/http://preprocess_op.cc src/http://object_detector.cc) 變成ADD_library(main SHARED src/http://main.cc src/http://preprocess_op.cc src/http://object_detector.cc)

然后按照上文中繼續重新cmake一次。

再次經歷之前的cudnn的路徑問題，同時需要在屬性—常規—配置類型中修改成.dll文件。

修改完上述內容后，點擊“重新生成”，會發現out/release中出現了main.dll文件。

看到dll后，我們仿佛看到了曙光，但是還是需要進行修改，因為這樣我們才能被調用，作者簡化了http://main.cc文件中的內容，并且配置了dll的接口，代碼如下。其中有兩個dll的接口，其中“add”是為了測試。

#include <glog/logging.h> #include <iostream> #include <string> #include <vector> #include "include/object_detector.h"extern "C" __declspec(dllexport) void Loadmodel(); extern "C" __declspec(dllexport) int add(int a, int b); void PredictImage(const std::string& image_path,PaddleDetection::ObjectDetector* det); int add(int a, int b) {return a + b; } void Loadmodel() {std::string model_dir = "D:0524testmodel";std::string image_path = "D:0524testorange_71.jpg";std::string video_path = "";std::string run_mode = "fluid";bool use_gpu = true;// Load model and create a object detectorPaddleDetection::ObjectDetector det(model_dir, use_gpu, run_mode);PredictImage(image_path, &det);}void PredictImage(const std::string& image_path,PaddleDetection::ObjectDetector* det) {// Open input image as an opencv cv::Mat objectcv::Mat im = cv::imread(image_path, 1);// Store all detected resultstd::vector<PaddleDetection::ObjectResult> result;det->Predict(im, &result);for (const auto& item : result) {printf("class=%d confidence=%.2f rect=[%d %d %d %d]n",item.class_id,item.confidence,item.rect[0],item.rect[1],item.rect[2],item.rect[3]);}// Visualization resultauto labels = det->GetLabelList();auto colormap = PaddleDetection::GenerateColorMap(labels.size());cv::Mat vis_img = PaddleDetection::VisualizeResult(im, result, labels, colormap);std::vector<int> compression_params;compression_params.push_back(CV_IMWRITE_JPEG_QUALITY);compression_params.push_back(95);cv::imwrite("output.jpeg", vis_img, compression_params);printf("Visualized output saved as output.jpegn"); }

六、然后我們繼續點擊“重新生成”，重新生成的dll就是下述步驟中我們即將調用的dll。

如何使用python調用生成好的dll；

在上一章節我們說了如何生成dll，這一章節，我們需要進行測試，在這里我們使用python進行測試，利用python調用dll。在生成的dll的文件中創建一個叫mian.py的python文件。

Python部分代碼如下：

from ctypes import * dll=CDLL("main.dll") print(dll.add(1,2)) print(dll.Loadmodel())

運行python代碼，可以看到最終輸出結果如下圖：

至此說明利用python調用dll成功了。

如何使用C#調用生成好的dll；

在上一個章節中我們說了如何使用python調用dll，接著，我們嘗試使用C#調用一個dll，此方式為工業上經常使用的一種方式。

首先創建一個C#的窗體應用程序。

在改窗體應用程序中設置一個button事件。

設置dll接口代碼以及設置button，相關代碼如下

using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Threading.Tasks; using System.Windows.Forms; using System.Runtime.InteropServices;namespace WindowsFormsApp1 {public partial class Form1 : Form{int a = 3;int b = 2;public Form1(){InitializeComponent();}[DllImport("main.dll", EntryPoint = "Loadmodel", CharSet = CharSet.Ansi)]public static extern void Loadmodel();[DllImport("main.dll", EntryPoint = "add", CharSet = CharSet.Ansi)]public static extern int add(int a, int b);private void button1_Click(object sender, EventArgs e){int c = add(a, b);Loadmodel();}private void Form1_Load(object sender, EventArgs e){}} }

一、將C++release路徑下生成的文件全部復制到C#項目運行目錄下，在C++的release文件中，有一些文件只有dll，沒有對應的lib文件，這個時候，我們需要搜索到這些dll對應的lib文件，全部放在C#的運行目錄下。（PS#這些對應的文件都在我們下載的paddle預測庫中可以找到）

二、點擊“啟動按鈕”進行測試；

三、我們在C#的運行目錄下發現了生成了一張output.jpeg圖片，證明我們調用成功

至此，該系列文章基本上完成了從訓練到部署的所有流程，十分感謝在寫作過程中paddle同學的幫助，非常感謝高松鶴、梁鈺同學的大力幫助。后續會根據paddle針對C++預測的更新，繼續更新完善該文章。

如有問題，歡迎溝通，作者微信yzl819819

總結

以上是生活随笔為你收集整理的如何使用graphpad做柱形图_系列文章 如何使用PaddleDetection做一个完整项目（三）...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。