paddleocr-tensorrt加速-Serving部署

一.代码准备

下载2.0版本以上的paddleocr：paddleocr

2.0以上的在训练自己模型的时候有参数：

 load_static_weights: True                 #是否将预训练模型保存在静态图形模式

所以，只要安装好了tensorrt一般都可以直接使用，Serving也需要2.0版本以上的

二.tensorrt的安装

可以参照以下方法安装tensorrt：
tensorrt安装-1

tensorrt安装-2

tensorrt安装-3

三.paddleocr环境配置

下载对应的使用tensorrt的GPU环境：对应GPU环境
其余的环境都和平时使用的一模一样

使用GPU下载的环境一定要和自己的cuda、cudnn对应

四.设置参数

use_tensorrt=True

每次加载模型的时候设置参数：use_tensorrt=True

五.Serving环境准备

在虚拟环境中安装-可以使用0.7，0.8版本的：其它版本的环境安装

pip install paddle-serving-server==0.6.1 # for CPU
pip install paddle-serving-server-gpu==0.6.1 # for GPU
# 其他GPU环境需要确认环境再选择执行如下命令
pip install paddle-serving-server-gpu==0.6.1.post101 # GPU with CUDA10.1 + TensorRT6
pip install paddle-serving-server-gpu==0.6.1.post11 # GPU with CUDA11 + TensorRT7

安装client

wget https://paddle-serving.bj.bcebos.com/test-dev/whl/paddle_serving_client-0.6.1-cp37-none-any.whl
pip install paddle_serving_client-0.6.1-cp37-none-any.whl

安装serving-app

wget https://paddle-serving.bj.bcebos.com/test-dev/whl/paddle_serving_app-0.6.1-py3-none-any.whl
pip install paddle_serving_app-0.6.1-py3-none-any.whl

这几个的版本一定要对应，否则会报错

六.模型转换

如果没有模型，可以下载：PP-OCR

# 转换检测模型
python3 -m paddle_serving_client.convert --dirname ./ch_PP-OCRv2_det_infer/  # 使用自己训练好的模型路径
                                         --model_filename inference.pdmodel          
                                         --params_filename inference.pdiparams       
                                         --serving_server ./ppocrv2_det_serving/   # 保存位置可以更改为指定位置
                                         --serving_client ./ppocrv2_det_client/  # 保存位置可以更改为指定位置

# 转换识别模型  同上
python3 -m paddle_serving_client.convert --dirname ./ch_PP-OCRv2_rec_infer/ 
                                         --model_filename inference.pdmodel          
                                         --params_filename inference.pdiparams       
                                         --serving_server ./ppocrv2_rec_serving/  
                                         --serving_client ./ppocrv2_rec_client/

转换好如图：

七.部署

进入到工作目录PaddleOCR/deploy/pdserving，运行web_service.py文件，一般不会出错，生成这样的日志文件，说明运行成功

根据请求不同，运行不同的py文件：
pipeline_http_client.py
pipeline_rpc_client.py

在web_service.py可以修改：

class RecOp(Op):
    def init_op(self):
    	self.det_box = []

def preprocess(self, input_dicts, data_id, log_id):
	 self.det_box = []
	        for i in dt_boxes:
	            b = []
	            for j in i:
	                x, y = j
	                b.append([int(x), int(y)])
	            # print("bb:", b)
	            self.det_box.append(b)

def postprocess(self, input_dicts, fetch_data, data_id, log_id):
	box = str(self.det_box)

如上代码修改，可以获得坐标信息

最后

以上就是独特草丛为你收集整理的paddleocr-tensorrt加速-Serving部署的全部内容，希望文章能够帮你解决paddleocr-tensorrt加速-Serving部署所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。