经典版声音分类服务器端SDK集成文档-Linux-Python
更新时间：2022-10-31
简介
本文档介绍 EasyDL 的 Linux Python SDK 的使用方法，适用于 EasyDL 和 BML。
EasyDL 通用版：
- 网络类型支持：图像分类，物体检测，图像分割，声音分类，表格预测
-
硬件支持：
- Linux x86_64 CPU (基础版，加速版)
- Linux x86_64 Nvidia GPU (基础版，加速版)
- 语言支持：Python 3.5, 3.6, 3.7
BML：
- 网络类型支持：图像分类，物体检测，声音分类
-
硬件支持：
- Linux x86_64 CPU (基础版)
- Linux x86_64 Nvidia GPU (基础版)
- 语言支持：Python 3.5, 3.6, 3.7
Release Notes
| 时间 | 版本 | 说明 |
|---|---|---|
| 2022.10.27 | 1.3.5 | 新增华为Atlas300、飞腾Atlas300 Python SDK，支持图像分类、物体检测、人脸检测、实例分割 |
| 2022.09.15 | 1.3.3 | EasyDL CPU普通版新增支持表格预测 |
| 2022.05.27 | 1.3.1 | CPU、GPU普通版新增支持BML Cloud小目标检测模型 |
| 2021.12.22 | 1.2.7 | 声音分类模型升级 |
| 2021.10.20 | 1.2.6 | CPU基础版、CPU加速版、GPU基础版推理引擎优化升级 |
| 2021.08.19 | 1.2.5 | CPU基础版、CPU无损加速版、GPU基础版新增支持EasyDL小目标检测 |
| 2021.06.29 | 1.2.4 | CPU、GPU新增EasyDL目标跟踪支持；新增http server服务启动demo |
| 2021.03.09 | 1.2.2 | EasyDL CPU加速版新增支持分类、高性能检测和均衡检测的量化压缩模型 |
| 2021.01.27 | 1.2.1 | EasyDL经典版分类高性能模型升级；支持更多模型 |
| 2020.12.18 | 1.2.0 | 推理引擎升级；接口升级；性能优化 |
| 2020.09.17 | 1.1.19 | 支持更多模型 |
| 2020.08.11 | 1.1.18 | 性能优化 |
| 2020.06.23 | 1.1.17 | 支持更多EasyDL专业版模型 |
| 2020.04.16 | 1.1.15 | 技术优化；升级 OpenVINO 版本 |
| 2020.03.12 | 1.1.14 | 新增声音识别python sdk |
| 2020.02.12 | 1.1.13 | 新增口罩模型支持 |
| 2020.01.16 | 1.1.12 | 预测函数默认使用推荐阈值 |
| 2019.12.26 | 1.1.11 | EasyDL 专业版支持 SDK 加速版 |
| 2019.12.04 | 1.1.10 | 支持图像分割 |
| 2019.10.21 | 1.1.9 | 支持 EasyDL 专业版 |
| 2019.08.29 | 1.1.8 | CPU 加速版支持 |
| 2019.07.19 | 1.1.7 | 提供模型更新工具 |
| 2019.05.16 | 1.1.3 | NVIDIA GPU 支持 |
| 2019.03.15 | 1.1.0 | 架构与功能完善 |
| 2019.02.28 | 1.0.6 | 引擎功能完善 |
| 2019.02.13 | 1.0.5 | paddlepaddle 支持 |
| 2018.11.30 | 1.0.0 | 第一版！ |
2020-12-18: 【接口升级】 序列号的配置接口从1.2.0版本开始已升级为新接口，以前的方式被置为deprecated，并将在未来的版本中移除。请尽快考虑升级为新的接口方式，具体使用方式可以参考下文介绍以及demo工程示例，谢谢。
快速开始
1. 安装依赖
- 根据引擎的不同，SDK 依赖了不同的底层引擎。根据所需自行安装。
- 使用声音分类SDK需要安装额外依赖
* pip 安装
resampy pydub six librosa音频默认格式支持wav文件预测，如果需要预测mp3等其他音频格式的数据需要系统额外安装ffmpeg（windows系统的ffmpeg已基在sdk中无需额外安装，linux系统需要手动安装） - 使用表格预测SDK需要安装额外依赖
pip安装
brotlipy==0.7.0 certifi==2020.6.20 joblib==1.0.1 kaggle==1.5.12 Pillow py4j pycosat python-dateutil python-slugify ruamel_yaml text-unidecode threadpoolctl flask pandas==1.0.5 scikit-learn==0.23.2 lightgbm==2.2.3 catboost==0.24.1 xgboost==1.2.0 numpy==1.19.5 scipy==1.5.2 psutil==5.7.2 pypmml==0.9.7 torch==1.8.0 jieba==0.42.1 pyod==0.8.5 pyarrow==6.0.0 scikit-optimize==0.9.0 pyspark==3.3.0另外ml算法安装（目前只支持python3.7） pip installBaiduAI_TabularInfer-0.0.0-cp37-cp37m-linux_x86_64.whl
安装 paddlepaddle
- 使用
x86_64 CPU 基础版预测时必须安装（目标跟踪除外）：
python -m pip install paddlepaddle==2.2.2 -i https://mirror.baidu.com/pypi/simple 若 CPU 为特殊型号，如赛扬处理器（一般用于深度定制的硬件中），请关注 CPU 是否支持 avx 指令集。如果不支持，请在paddle官网安装 noavx 版本
- 使用
NVIDIA GPU 基础版预测时必须安装（目标跟踪除外）：
python -m pip install paddlepaddle-gpu==2.2.2.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html #CUDA10.1的PaddlePaddle
python -m pip install paddlepaddle-gpu==2.2.2 -i https://mirror.baidu.com/pypi/simple #CUDA10.2的PaddlePaddle
python -m pip install paddlepaddle-gpu==2.2.2.post110 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html #CUDA11.0的PaddlePaddle
python -m pip install paddlepaddle-gpu==2.2.2.post111 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html #CUDA11.1的PaddlePaddle
python -m pip install paddlepaddle-gpu==2.2.2.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html #CUDA11.2的PaddlePaddle不同cuda版本的环境，请参考paddle文档安装合适的 paddle 版本。 不被 paddle 支持的 cuda 和 cudnn 版本，EasyEdge 暂不支持
安装 OpenVINO
使用x86_64 CPU 加速版 SDK 预测时必须安装。
1）请参考 OpenVINO toolkit 文档安装 2021.4版本, 安装时可忽略Configure the Model Optimizer及后续部分
2）运行之前，务必设置环境变量
source /opt/intel/openvino_2021/bin/setupvars.sh安装 cuda、cudnn
- 使用
Nvidia GPU 加速版预测时必须安装。 依赖的版本为 cuda9.0、cudnn7。版本号必须正确。
安装 pytorch（torch >= 1.7.0)
- 目标跟踪模型的预测必须安装pytorch版本1.7.0及以上（包含：
Nvidia GPU 基础版、x86_64 CPU 基础版）。 - 目标跟踪模型
Nvidia GPU 基础版还需安装依赖cuda、cudnn。
关于不同版本的pytorch和CUDA版本的对应关系：pytorch官网 目标跟踪模型还有一些列举在requirements.txt里的依赖（包括torch >= 1.7.0），均可使用pip下载安装。
pip3 install -r requirements.txt2. 安装 easyedge python wheel 包
安装说明
pip3 install -U BaiduAI_EasyEdge_SDK-{版本号}-cp36-cp36m-linux_x86_64.whl具体名称以 SDK 包中的 whl 为准。
安装说明：华为 Atlas300
除了需要安装BaiduAI_EasyEdge_SDK包，还需安装
pip3 install -U EasyEdge_Devkit_Atlas300-{版本号}-cp36-cp36m-linux_x86_64.whl安装说明：飞腾 Atlas300
除了需要安装BaiduAI_EasyEdge_SDK包，还需安装
pip3 install -U EasyEdge_Devkit_Phytium.Atlas-{版本号}-cp36-cp36m-linux_aarch64.whl3. 使用序列号激活
获取序列号
修改demo.py 填写序列号
pred = edge.Program()
pred.set_auth_license_key("这里填写序列号")4. GPU 加速版
使用 GPU 加速版，在安装完 whl 之后，必须：
- 从这里下载 TensorRT7.0.0.11 for cuda9.0，并把解压后的 lib 放到 C++ SDK 的 lib 目录或系统 lib 目录
- 运行时，必须在系统库路径中包含 C++ SDK 下的
lib目录。如设置LD_LIBRARY_PATH
cd ${SDK_ROOT}
# 1. 安装 python wheel 包
tar -xzvf python/*.tar.gz
pip install -U {对应 Python 版本的 wheel 包}
# 2. 设置 LD_LIBRARY_PATH
tar -xzvf cpp/*.tar.gz
export EDGE_ROOT=$(readlink -f $(ls -h | grep "baidu_easyedge_linux_cpp"))
export LD_LIBRARY_PATH=$EDGE_ROOT/lib
# 3. 运行 demo
python3 demo.py {RES文件夹路径} {测试图片路径}如果是使用 C++ SDK 自带的编译安装的 OpenCV，LD_LIBRARY_PATH 还需要包括 C++ SDK的 build 目录下的 thirdparty/lib 目录
如果没有正确设置 LD_LIBRARY_PATH，运行时可能报错：
ImportError: libeasyedge.so.0.4.3: cannot open shared object file: No such file or directory
ImportError: libopencv_core.so.3.4: cannot open shared object file: No such file or directory5. 测试 Demo
5.1 图片预测
输入对应的模型文件夹（默认为RES）和测试图片路径，运行：
python3 demo.py {model_dir} {image_name.jpg}测试效果：
5.2 视频预测（适用于目标跟踪）
输入对应的模型文件夹（默认为RES）和测试视频文件路径 / 摄像头id / 网络视频流地址，运行：
# video_type: 输入源类型 type:int
# 1 本地视频文件
# 2 摄像头的index
# 3 网络视频流
# video_src: 输入源地址，如视频文件路径、摄像头index、网络流地址 type: string
python3 demo.py {model_dir} {video_type} {video_src}6. 测试Demo HTTP 服务
输入对应的模型文件夹（默认为RES）、序列号、设备ip和指定端口号，运行：
python3 demo_serving.py {model_dir} {serial_key} {host, default 0.0.0.0} {port, default 24401}后，会显示：
Running on http://0.0.0.0:24401/字样，此时，开发者可以打开浏览器，http://{设备ip}:24401，选择图片或者视频来进行测试。也可以参考`demo_serving.py`里 http_client_test()函数请求http服务进行推理。
使用说明
使用流程
demo.py
import BaiduAI.EasyEdge as edge
pred = edge.Program()
pred.set_auth_license_key("这里填写序列号")
pred.init(model_dir={RES文件夹路径}, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID)
pred.infer_image({numpy.ndarray的图片})
pred.close()demo_serving.py
import BaiduAI.EasyEdge as edge
from BaiduAI.EasyEdge.serving import Serving
server = Serving(model_dir={RES文件夹路径}, license=serial_key)
# 请参考同级目录下demo.py里:
# pred.init(model_dir=xx, device=xx, engine=xx, device_id=xx)
# 对以下参数device\device_id和engine进行修改
server.run(host=host, port=port, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID)初始化
- 接口
def init(self,
model_dir,
device=Device.CPU,
engine=Engine.PADDLE_FLUID,
config_file='conf.json',
preprocess_file='preprocess_args.json',
model_file='model',
params_file='params',
label_file='label_list.txt',
infer_cfg_file='infer_cfg.json',
device_id=0,
thread_num=1
):
"""
Args:
model_dir: str
device: BaiduAI.EasyEdge.Device，比如：Device.CPU
engine: BaiduAI.EasyEdge.Engine， 比如： Engine.PADDLE_FLUID
config_file: str
preprocess_file: str
model_file: str
params_file: str
label_file: str 标签文件
infer_cfg_file: 包含预处理、后处理信息的文件
device_id: int 设备ID
thread_num: int CPU的线程数
Raises:
RuntimeError, IOError
Returns:
bool: True if success
"""使用 NVIDIA GPU 预测时，必须满足：
- 机器已安装 cuda, cudnn
- 已正确安装对应 cuda 版本的 paddle 版本
- 通过设置环境变量
FLAGS_fraction_of_gpu_memory_to_use设置合理的初始内存使用比例
使用 CPU 预测时，可以通过在 init 中设置 thread_num 使用多线程预测。如：
pred.init(model_dir=_model_dir, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID, thread_num=1)预测图像
- 接口
def infer_image(self, img,
threshold=0.3,
channel_order='HWC',
color_format='BGR',
data_type='numpy'):
"""
Args:
img: np.ndarray or bytes
threshold: float
only return result with confidence larger than threshold
channel_order: string
channel order HWC or CHW
color_format: string
color format order RGB or BGR
data_type: string
image data type
Returns:
list
"""- 返回格式:
[dict1, dict2, ...]
| 字段 | 类型 | 取值 | 说明 |
|---|---|---|---|
| confidence | float | 0~1 | 分类或检测的置信度 |
| label | string | 分类或检测的类别 | |
| index | number | 分类或检测的类别 | |
| x1, y1 | float | 0~1 | 物体检测，矩形的左上角坐标 (相对长宽的比例值) |
| x2, y2 | float | 0~1 | 物体检测，矩形的右下角坐标（相对长宽的比例值） |
| mask | string/numpy.ndarray | 图像分割的mask |
关于矩形坐标
x1 * 图片宽度 = 检测框的左上角的横坐标
y1 * 图片高度 = 检测框的左上角的纵坐标
x2 * 图片宽度 = 检测框的右下角的横坐标
y2 * 图片高度 = 检测框的右下角的纵坐标
可以参考 demo 文件中使用 opencv 绘制矩形的逻辑。
结果示例
- i) 图像分类
{
"index": 736,
"label": "table",
"confidence": 0.9
}- ii) 物体检测
{
"y2": 0.91211,
"label": "cat",
"confidence": 1.0,
"x2": 0.91504,
"index": 8,
"y1": 0.12671,
"x1": 0.21289
}- iii) 图像分割
{
"name": "cat",
"score": 1.0,
"location": {
"left": ...,
"top": ...,
"width": ...,
"height": ...,
},
"mask": ...
}mask字段中，data_type为numpy时，返回图像掩码的二维数组
{
{0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
{0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
{0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
{0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
{0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
{0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
}
其中1代表为目标区域，0代表非目标区域data_type为string时，mask的游程编码，解析方式可参考 demo
预测视频（目前仅限目标跟踪模型调用）
- 接口
def infer_frame(self, frame, threshold=None):
"""
视频推理(抽帧之后）
:param frame:
:param threshold:
:return:
"""- 返回格式
dict
| 字段 | 类型 | 说明 |
|---|---|---|
| pos | dict1 | 当前帧每一个类别的追踪目标的像素坐标(tlwh) |
| id | dict2 | 当前帧每一个类别的追踪目标的id |
| score | dict3 | 当前帧每一个类别的追踪目标的识别置信度 |
| label | dict4 | class_idx(int)与label(string)的对应关系 |
| class_num | int | 追踪类别数 |
预测声音
- 使用声音分类SDK需要安装额外依赖
pip 安装
resampy pydub音频默认格式支持wav文件预测，如果需要预测mp3等其他音频格式的数据需要系统额外安装ffmpeg（windows系统的ffmpeg已集成在sdk中无需额外安装，linux系统需要手动安装） - 接口
def infer_sound(self, sound_binary,
threshold=0.3):
"""
Args:
sound_binary: sound_binary
threshold: confidence
Returns:
list
"""- 返回格式:
[dict1, dict2, ...]
| 字段 | 类型 | 取值 | 说明 |
|---|---|---|---|
| confidence | float | 0~1 | 分类的置信度 |
| label | string | 分类的类别 | |
| index | number | 分类的类别 |
升级模型
适用于经典版升级模型，执行bash update_model.sh，根据提示，输入模型路径、激活码、模型ID、模型版本，等待模型更新完毕即可。
FAQ
Q: EasyDL 离线 SDK 与云服务效果不一致，如何处理？
A: 后续我们会消除这部分差异，如果开发者发现差异较大，可联系我们协助处理。
Q: 运行时报错 "非法指令" 或 " illegal instruction"
A: 可能是 CPU 缺少 avx 指令集支持，请在paddle官网 下载 noavx 版本覆盖安装
Q: NVIDIA GPU预测时，报错显存不足：
A: 如以下错误字样：
paddle.fluid.core.EnforceNotMet: Enforce failed. Expected allocating <= available, but received allocating:20998686233 > available:19587333888.
Insufficient GPU memory to allocation. at [/paddle/paddle/fluid/platform/gpu_info.cc:170]请在运行 Python 前设置环境变量，通过export FLAGS_fraction_of_gpu_memory_to_use=0.3来限制SDK初始使用的显存量，0.3表示初始使用30%的显存。如果设置的初始显存较小，SDK 会自动尝试 allocate 更多的显存。
Q: 我想使用多线程预测，怎么做？
如果需要多线程预测，可以每个线程启动一个Progam实例，进行预测。 demo.py文件中有相关示例代码。
注意： 对于CPU预测，SDK内部是可以使用多线程，最大化硬件利用率。参考init的thread_num参数。
Q: 运行SDK报错 Authorization failed
情况一：日志显示 Http perform failed: null respond
在新的硬件上首次运行，必须联网激活。
SDK 能够接受HTTP_PROXY 的环境变量通过代理处理自己的网络请求。如
export HTTP_PROXY="http://192.168.1.100:8888"
./easyedge_demo ...情况二：日志显示failed to get/check device id(xxx)或者Device fingerprint mismatch(xxx)
此类情况一般是设备指纹发生了变更，包括（但不局限于）以下可能的情况：
- MAC地址变化
- 磁盘变更
- BIOS重刷
以及系统相关信息。
遇到这类情况，请确保硬件无变更，如果想更换序列号，请先删除 ~/.baidu/easyedge 目录，再重新激活。
情况三：Atlas Python SDK日志提示ImportError: libavformat.so.58: cannot open shared object file: No such file or directory 或者其他类似so找不到
可以在LD_LIBRARY_PATH环境变量加上libs和thirdpartylibs路径，例如
export LD_LIBRARY_PATH=/xxx/libs:/xxx/thirdpartylibs:$LD_LIBRARY_PATH # tips: 这里/xxx需要替换为真实路径，/xxx路径查找方法如下查找安装包内libs和thirdpartylibs路径的方法如下(以华为Atlas300 SDK为例，其他SDK查找方法类似)：
pip3 show EasyEdge-Devkit-Atlas300 # 结果中会显示 Location 路径，也就是包的安装路径
# libs和thirdpartylibs两个路径在 Location 所指示的路径 easyedge_CANN 子文件夹下