人工智能產(chǎn)業(yè)應用發(fā)展的越來越快，開發(fā)者需要面對的適配部署工作也越來越復雜。層出不窮的算法模型、各種架構的AI硬件、不同場景的部署需求（服務器、服務化、嵌入式、移動端等）、不同操作系統(tǒng)和開發(fā)語言，為AI開發(fā)者項目落地帶來不小的挑戰(zhàn)。

為了解決AI部署落地難題，我們發(fā)起了FastDeploy項目。FastDeploy針對產(chǎn)業(yè)落地場景中的重要AI模型，將模型API標準化，提供下載即可運行的Demo示例。相比傳統(tǒng)推理引擎，做到端到端的推理性能優(yōu)化。FastDeploy還支持在線（服務化部署）和離線部署形態(tài)，滿足不同開發(fā)者的部署需求。

經(jīng)過為期一年的高密度打磨，F(xiàn)astDeploy目前具備三類特色能力：

全場景：支持GPU、CPU、Jetson、ARM CPU、瑞芯微NPU、晶晨NPU、恩智浦NPU等多類硬件，支持本地部署、服務化部署、Web端部署、移動端部署等，支持CV、NLP、Speech三大領域，支持圖像分類、圖像分割、語義分割、物體檢測、字符識別（OCR）、人臉檢測識別、人像扣圖、姿態(tài)估計、文本分類、信息抽取、行人跟蹤、語音合成等16大主流算法場景。

易用靈活：三行代碼完成AI模型的部署，一行API完成模型替換，無縫切換至其他模型部署，提供了150+熱門AI模型的部署Demo。

極致高效：相比傳統(tǒng)深度學習推理引擎只關注模型的推理時間，F(xiàn)astDeploy則關注模型任務的端到端部署性能。通過高性能前后處理、整合高性能推理引擎、一鍵自動壓縮等技術，實現(xiàn)了AI模型推理部署的極致性能優(yōu)化。

項目傳送門：

https://github.com/PaddlePaddle/FastDeploy

以下將對該3大特性做進一步技術解讀，全文大約2100字，預計閱讀時長3分鐘。

1

3大特性篇

2

3步部署實戰(zhàn)篇，搶先看

CPU/GPU部署實戰(zhàn)

Jetson部署實戰(zhàn)

RK3588部署實戰(zhàn)（RV1126、晶晨A311D等NPU類似）

1

3大特性解讀

全場景：一套代碼云邊端多平臺多硬件一網(wǎng)打盡，覆蓋CV、NLP、Speech

支持PaddleInference、TensorRT、OpenVINO、ONNXRuntime、PaddleLite、RKNN等后端，覆蓋常見的NVIDIAGPU、x86CPU、Jetson Nano、Jetson TX2、ARMCPU（移動端、ARM開發(fā)板）、Jetson Xavier、瑞芯微NPU（RK3588、RK3568、RV1126、RV1109、RK1808）、晶晨NPU（A311D、S905D）等云邊端場景的多類幾十款AI硬件部署。同時支持服務化部署、離線CPU/GPU部署、端側和移動端部署方式。針對不同硬件，統(tǒng)一API保證一套代碼在數(shù)據(jù)中心、邊緣部署和端側部署無縫切換。FastDeploy支持CV、NLP、Speech三大AI領域，覆蓋16大類算法（圖像分類、圖像分割、語義分割、物體檢測、字符識別（OCR） 、人臉檢測、人臉關鍵點檢測、人臉識別、人像扣圖、視頻扣圖、姿態(tài)估計、文本分類 信息抽取 文圖生成、行人跟蹤、語音合成）。支持飛槳PaddleClas、PaddleDetection、PaddleSeg、PaddleOCR、PaddleNLP、PaddleSpeech 6大熱門AI套件的主流模型，同時也支持生態(tài)（如PyTorch、ONNX等）熱門模型的部署。 ?

易用靈活，三行代碼完成模型部署，一行命令快速體驗150+熱門模型部署

FastDeploy三行代碼可完成AI模型在不同硬件上的部署，極大降低了AI模型部署難度和工作量。一行命令切換TensorRT、OpenVINO、Paddle Inference、Paddle Lite、ONNX Runtime、RKNN等不同推理后端和對應硬件。低門檻的推理引擎后端集成方案，平均一周時間即可完成任意硬件推理引擎的接入使用，解耦前后端架構設計，簡單編譯測試即可體驗FastDeploy支持的AI模型。開發(fā)者可以根據(jù)模型API實現(xiàn)相應模型部署，也可以選擇git clone一鍵獲取150+熱門AI模型的部署示例Demo，快速體驗不同模型的推理部署。

# PP-YOLOE的部署 import fastdeploy as fd import cv2 model = fd.vision.detection.PPYOLOE("model.pdmodel", "model.pdiparams", "infer_cfg.yml") im = cv2.imread("test.jpg") result = model.predict(im) # YOLOv7的部署 import fastdeploy as fd import cv2 model = fd.vision.detection.YOLOv7("model.onnx") im = cv2.imread("test.jpg") result = model.predict(im)

FastDeploy部署不同模型

# PP-YOLOE的部署 import fastdeploy as fd import cv2 option = fd.RuntimeOption() option.use_cpu() option.use_openvino_backend() # 一行命令切換使用 OpenVINO部署 model = fd.vision.detection.PPYOLOE("model.pdmodel", "model.pdiparams", "infer_cfg.yml", runtime_option=option) im = cv2.imread("test.jpg") result = model.predict(im)FastDeploy切換后端和硬件

極致高效：一鍵壓縮提速，預處理加速，端到端性能優(yōu)化，提升AI算法產(chǎn)業(yè)落地

FastDeploy在吸收TensorRT、OpenVINO、Paddle Inference、Paddle Lite、ONNX Runtime、RKNN等高性能推理優(yōu)勢的同時，通過端到端的推理優(yōu)化解決了傳統(tǒng)推理引擎僅關心模型推理速度的問題，提升整體推理速度和性能。集成自動壓縮工具，在參數(shù)量大大減小的同時（精度幾乎無損），推理速度大幅提升。使用CUDA加速優(yōu)化預處理和后處理模塊，將YOLO系列的模型推理加速整體從41ms優(yōu)化到25ms。端到端的優(yōu)化策略，徹底解決AI部署落地中的性能難題。更多性能優(yōu)化，歡迎關注GitHub了解詳情。https://github.com/PaddlePaddle/FastDeploy ? ?

2

3步部署實戰(zhàn)篇，搶先看

1

CPU/GPU部署實戰(zhàn)（以YOLOv7為例）

安裝FastDeploy部署包，下載部署示例（可選，也可以三行API實現(xiàn)部署代碼）

pip install fastdeploy-gpu-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html git clone https://github.com/PaddlePaddle/FastDeploy.git cd examples/vision/detection/yolov7/python/

準備模型文件和測試圖片

wget https://bj.bcebos.com/paddlehub/fastdeploy/yolov7.onnx wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg

CPU/GPU推理模型

# CPU推理 python infer.py --model yolov7.onnx --image 000000014439.jpg --device cpu # GPU推理 python infer.py --model yolov7.onnx --image 000000014439.jpg --device gpu # GPU上使用TensorRT推理 python infer.py --model yolov7.onnx --image 000000014439.jpg --device gpu --use_trt True

推理結果示例：

2

Jetson部署實戰(zhàn)（以YOLOv7為例）

安裝FastDeploy部署包，配置環(huán)境變量

git clone https://github.com/PaddlePaddle/FastDeploy cd FastDeploy mkdir build && cd build cmake .. -DBUILD_ON_JETSON=ON -DENABLE_VISION=ON -DCMAKE_INSTALL_PREFIX=${PWD}/install make -j8 make install cd FastDeploy/build/install source fastdeploy_init.sh

準備模型文件和測試圖片

wget https://bj.bcebos.com/paddlehub/fastdeploy/yolov7.onnx wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg

編譯推理模型

cd examples/vision/detection/yolov7/cpp cmake .. -DFASTDEPLOY_INSTALL_DIR=${FASTDEPOLY_DIR} mkdir build && cd build make -j # 使用TensorRT推理(當模型不支持TensorRT時會自動轉成使用CPU推理) ./infer_demo yolov7s.onnx 000000014439.jpg 27s.onnx 000000014439.jpg 2

推理結果示例：

3

RK3588部署實戰(zhàn)（以輕量化檢測網(wǎng)絡PicoDet為例）

安裝FastDeploy部署包，下載部署示例（可選，也可以三行API實現(xiàn)部署代碼）

# 參考編譯文檔，完成FastDeploy編譯安裝 # 參考文檔鏈接：https://github.com/PaddlePaddle/FastDeploy/blob/develop/docs/cn/build_and_install/rknpu2.md # 下載部署示例代碼 git clone https://github.com/PaddlePaddle/FastDeploy.git cd examples/vision/detection/paddledetection/rknpu2/python

準備模型文件和測試圖片

wget https://bj.bcebos.com/fastdeploy/models/rknn2/picodet_s_416_coco_npu.zip unzip -qo picodet_s_416_coco_npu.zip ## 下載Paddle靜態(tài)圖模型并解壓 wget https://bj.bcebos.com/fastdeploy/models/rknn2/picodet_s_416_coco_npu.zip unzip -qo picodet_s_416_coco_npu.zip # 靜態(tài)圖轉ONNX模型，注意，這里的save_file請和壓縮包名對齊 paddle2onnx --model_dir picodet_s_416_coco_npu --model_filename model.pdmodel --params_filename model.pdiparams --save_file picodet_s_416_coco_npu/picodet_s_416_coco_npu.onnx --enable_dev_version True python -m paddle2onnx.optimize --input_model picodet_s_416_coco_npu/picodet_s_416_coco_npu.onnx --output_model picodet_s_416_coco_npu/picodet_s_416_coco_npu.onnx --input_shape_dict "{'image':[1,3,416,416]}" # ONNX模型轉RKNN模型 # 轉換模型,模型將生成在picodet_s_320_coco_lcnet_non_postprocess目錄下 python tools/rknpu2/export.py --config_path tools/rknpu2/config/RK3588/picodet_s_416_coco_npu.yaml # 下載圖片 wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg

推理模型

python3 infer.py --model_file ./picodet _3588/picodet_3588.rknn --config_file ./picodet_3588/deploy.yaml --image images/000000014439.jpg