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
点击我爱计算机视觉标星，更快获取CVML新技术
本文转载自机器之心。
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。
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。
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：
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：https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/
图3
图4
测试条件：batchsize=1，单线程
更加完备的功能
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。
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。
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：
图5
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：
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：
1.Paddle Lite 的 Github 链接：
https://github.com/PaddlePaddle/Paddle-Lite
2.Paddle Lite 的文档链接：
https://paddlepaddle.github.io/Paddle-Lite/
3.Paddle Lite Demo 的链接：
https://github.com/PaddlePaddle/Paddle-Lite-Demo
4.PaddlePaddle 的 Github 链接：
https://github.com/paddlepaddle
5.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）。
模型压缩与应用部署群
关注最新最前沿的模型压缩、剪枝、轻量级网络设计、应用部署技术，扫码添加CV君拉你入群，（如已为CV君其他账号好友请直接私信）
（请务必注明：部署）
喜欢在QQ交流的童鞋，可以加52CV官方QQ群：805388940。
（不会时时在线，如果没能及时通过验证还请见谅）
长按关注我爱计算机视觉