在C+中部署python（libtoch）模型的方法总结+,PytorchLibtorch,Win10VS2017

 

 

目录

• 1、准备工作
• • （1）下载准备
  • （2）TorchScript（.pt文件）准备
• 2、配置步骤
• • （1）CMake配置
  • （2）手动在VS配置
• 3、踩坑汇总

 

1、准备工作

（1）下载准备

 

D:\Code_Lib\libtorch\include
D:\Code_Lib\libtorch\include\torch\csrc\api\include

前者对应 #include  ，后者对应 #include  。

 

D:\Code_Lib\libtorch\lib

 

asmjit.lib
c10.lib
c10_cuda.lib
caffe2_detectron_ops_gpu.lib
caffe2_module_test_dynamic.lib
caffe2_nvrtc.lib
clog.lib
cpuinfo.lib
dnnl.lib
fbgemm.lib
libprotobuf.lib
libprotobuf-lite.lib
libprotoc.lib
mkldnn.lib
torch.lib
torch_cuda.lib
torch_cpu.lib

 

PATH=D:\Code_Lib\libtorch\lib;%PATH%

11. 将 C/C++ => 语言 => 符合模式，改为否；C/C++ => 常规=> SDL检查，改为否。

至此，在C++中部署Libtorch完成。可以通过运行测试程序进行测试。

3、踩坑汇总

如果过程中有踩坑的可以参考我的踩坑总结：
C++部署Pytorch（Libtorch）出现问题、错误汇总

 

转载自 https://www.pythonf.cn/read/152618

• 下载安装VS2017
• 安装配置OpenCV
  可参考博客： VS2017配置opencv教程（超详细！！！）
  ，讲的非常详细。
• 安装配置CMake（对于CMake配置法）
  可参考博客： Windows下CMake安装教程
• 下载Libtorch
  下载地址： https://pytorch.org/ ，根据自己的系统情况来选择下载版本。
  注意：
  （1）有debug和release两个版本，根据需要下载，debug版本的libtorch之后只能在debug下运行，release亦然。
  （2）下载的Libtorch需和生成.pt文件的pytorch版本一致，否则会无法读取.pt文件。
  下载并解压后，文件夹将有如下组成：
  
  其中，include文件夹下是libtorch库的头文件；
  lib文件夹下是libtorch库的静态库（lib）和动态链接库（dll）；
  share文件夹下有之后cmake配置时要find的.cmake文件，用于在cmake时让项目链接到libtorch库；

• （2）TorchScript（.pt文件）准备

  实际上，从Pytorch得到的网络模型接口的到C++就是通过Torch脚本（.pt文件）实现的。因此，需要先在Python中用Pytorch生成Torch脚本。

  有两种将PyTorch模型转换为Torch脚本的方法。
  第一种称为 跟踪 ，一种机制，通过使用示例输入对模型的结构进行一次评估，并记录这些输入在模型中的流动，从而捕获模型的结构。这适用于有限使用控制流的模型。
  第二种方法是在模型中添加 显式批注 ，以告知Torch Script编译器可以根据Torch Script语言施加的约束直接解析和编译模型代码。

  关于如何得到Torch脚本这里就不过多叙述了，想了解的可以参考以下资料：
  在C++ 中加载 TorchScript 模型
  官方TorchScript文档
  这里放两个我用于测试的代码，第一个用于只用libtorch库的简单测试，输入为随机的向量。最终在工作目录中生成resnet18.pt文件。

  import torch
  from torchvision.models import resnet18
  model =resnet18()
  example = torch.rand(1, 3, 224, 224)
  traced_script_module = torch.jit.trace(model, example)
  
  traced_script_module.save("resnet18.pt")
  
  

  第二个是用于libtorch+OpenCV库测试，之后需要在C++中用OpenCV读取输入图像。采用torchvision.models中的Resnet50网络模型，实现图像的分类，分类结果说明参考： ImageNet图像库1000个类别名称（中文注释不断更新） 。最终生成resnet50.pt于工作目录中。

  import torch
  import torchvision.models as models
  from PIL import Image
  import numpy as np
  
  image = Image.open("E:/HM_DL/torch_test/torch_py/test1.jpg") 
  image = image.resize((224, 224),Image.ANTIALIAS)
  image = np.asarray(image)
  image = image / 255
  image = torch.Tensor(image).unsqueeze_(dim=0)
  image = image.permute((0, 3, 1, 2)).float()
  
  model = models.resnet50(pretrained=True)
  model = model.eval()
  resnet = torch.jit.trace(model, torch.rand(1,3,224,224))
  # output=resnet(torch.ones(1,3,224,224))
  output = resnet(image)
  max_index = torch.max(output, 1)[1].item()
  print(max_index) # ImageNet1000类的类别序
  
  resnet.save('resnet50.pt')
  

  最终，通过将脚本模块序列化为文件，得到模型的.pt文件，这个文件就将作为C++的输入，用于实现在C++中部署Pytorch。

  2、配置步骤

  利用VS在C++中部署Pytorch模型的配置方法大致有两种： 基于CMake自动配置 ， 手动在VS中配置 。

  （1）CMake配置

  以我自己为例，首先在E:\torch_test下创建名为Example的文件夹，然后在该文件夹下分别创建C++测试代码（example-app.cpp）和CMakeLists.txt，以及一个名为build的文件夹。
  
  example-app.cpp示例：
  配合第一个Python程序，测试libtorch库是否可用。

  #include   // One-stop header.
  #include 
  #include 
  
  int main() {
    // Deserialize the ScriptModule from a file using torch::jit::load().
    //std::shared_ptr module =
    //          torch::jit::load("E:/HM_DL/torch_test/traced_resnet_model.pt");
  
    using torch::jit::script::Module;
    Module module =
        torch::jit::load("E:/HM_DL/torch_test/traced_resnet_model.pt");
  
    std::cout << "ok\n";
    // Create a vector of inputs.
    std::vector inputs;
    inputs.push_back(torch::ones({1, 3, 224, 224}));
  
    // Execute the model and turn its output into a tensor.
    at::Tensor output = module.forward(inputs).toTensor();
  
    std::cout << output.slice(/*dim=*/1, /*start=*/0, /*end=*/5) << '\n';
    while (1)
      ;
  }
  

  配合第二个Python程序，同时测试libtorch库和OpenCV库。

  #include 
  #include 
  #include 
  #include 
  #include 
  #include 
  #include 
  
  void TorchTest() {
    torch::jit::script::Module module =
        torch::jit::load("E:/HM_DL/torch_test/torch_py/resnet.pt");
  
    std::cout << "Load model successful!" << std::endl;
    std::vector inputs;
    inputs.push_back(torch::zeros({1, 3, 224, 224}));
    at::Tensor output = module.forward(inputs).toTensor();
    auto max_result = output.max(1, true);
    auto max_index = std::get<1>(max_result).item();
    std::cout << max_index << std::endl;
  }
  
  void Classfier(cv::Mat &image) {
    torch::Tensor img_tensor = torch::from_blob(
        image.data, {1, image.rows, image.cols, 3}, torch::kByte);
    img_tensor = img_tensor.permute({0, 3, 1, 2});
    img_tensor = img_tensor.toType(torch::kFloat);
    img_tensor = img_tensor.div(255);
    torch::jit::script::Module module =
        torch::jit::load("E:/HM_DL/torch_test/torch_py/resnet.pt");
    torch::Tensor output = module.forward({img_tensor}).toTensor();
    auto max_result = output.max(1, true);
    auto max_index = std::get<1>(max_result).item();
    std::cout << max_index << std::endl;
  }
  
  int main() {
    //    TorchTest();
    cv::Mat image = cv::imread("E:/HM_DL/torch_test/torch_py/test1.jpg");
    cv::resize(image, image, cv::Size(224, 224));
    cv::imshow("image", image);
    cv::waitKey(0);
    std::cout << image.rows << " " << image.cols << " " << image.channels()
              << std::endl;
    Classfier(image);
    return 0;
  }
  

  CMakeLists.txt示例：

  cmake_minimum_required(VERSION 3.12 FATAL_ERROR)
  project(example-app)
  
  find_package(Torch REQUIRED)
  find_package(OpenCV REQUIRED)
  
  if(NOT Torch_FOUND)
      message(FATAL_ERROR "Pytorch Not Found!")
  endif(NOT Torch_FOUND)
  
  message(STATUS "Pytorch status:")
  message(STATUS "    libraries: ${TORCH_LIBRARIES}")
  
  message(STATUS "OpenCV library status:")
  message(STATUS "    version: ${OpenCV_VERSION}")
  message(STATUS "    libraries: ${OpenCV_LIBS}")
  message(STATUS "    include path: ${OpenCV_INCLUDE_DIRS}")
  
  
  add_executable(example-app example-app.cpp)
  target_link_libraries(example-app ${TORCH_LIBRARIES} ${OpenCV_LIBS})
  set_property(TARGET example-app PROPERTY CXX_STANDARD 11)
  

  然后打开cmd终端，进入build文件夹，输入：

  cmake -DCMAKE_PREFIX_PATH=D:\Opencv\opencv\build\x64\vc14\lib;D:\Code_Lib\libtorch -G "Visual Studio 15 Win64" ..
  

  其中，-DCMAKE_PREFIX_PATH后要写你下载的libtorch库的绝对路径和opencv库下\build\x64\vc14\lib的绝对路径。"Visual Studio 15 Win64"表示用VS2017 x64编译。另外注意，一定不要忘了最后的 .. ，这表示采用上一级目录下的cmake文件，否则会报错说build下没找到cmake文件。

  运行成功的话会生成解决方案，选择合适的编译方式，生成可执行文件，然后运行。如有报错，参考我的 C++部署Pytorch（Libtorch）出现问题、错误汇总

  （2）手动在VS配置

  除了采用CMake的方式，也可以直接在一个已建项目里通过配置环境属性来将项目连接到libtorch库。
  下面以一个新建空项目为例，展示一下具体步骤。

• 首先用VS新建一个空项目。
• 在解决方案资源管理器》源文件下添加一个新的cpp文件，将上述的测试代码复制进去。
• 接下来开始配置属性，进入属性管理器》Debug | x64 》，右键点击Microsoft.Cpp.x64.user，选择“添加新项目属性表”
  
  名称按自己喜好和功能来定，保存在合适的目录下。这样可以为libtorch和opencv建立专门的属性表，方便之后管理和使用。
• 右键建立的属性表，选择属性。开始配置libtorch属性表。
• 在 C/C++=>附加包含目录 中添加libtorch库的包含头文件路径：
• 在 链接器=>常规=>附加库目录 中添加libtorch库的lib库路径：
• 在 链接器=>输入=>附加依赖项 中添加需要的lib文件，如果不放心，可以把libtorch\lib目录下的所有lib文件都写进去。
  举例：
• OpenCV的配置参考 VS2017配置opencv教程（超详细！！！）
• 回到解决方案资源管理器，右键点击建立的项目，进入“属性”。
  
• 在 调试=>环境 里添加libtorch动态库的路径

PATH=D:\Code_Lib\libtorch\lib;%PATH%

11. 将 C/C++ => 语言 => 符合模式，改为否；C/C++ => 常规=> SDL检查，改为否。

至此，在C++中部署Libtorch完成。可以通过运行测试程序进行测试。

3、踩坑汇总

如果过程中有踩坑的可以参考我的踩坑总结：
C++部署Pytorch（Libtorch）出现问题、错误汇总