本文将会介绍,在Ubuntu:16.04交叉编译环境下,用安卓手机在终端测试Paddle-Lite的性能,并介绍两种Benchmark方法:

  1. 一键Benchmark:适用于想快速获得常见模型性能的用户,下载预编译好的benchmark可执行文件;
  2. 逐步Benchmark:将一键Benchmark流程拆解讲解。

环境准备

  1. 准备adb等必备软件:
    sudo apt update
    sudo apt install -y wget adb
    
  2. 检查手机与电脑连接。安卓手机USB连上电脑,打开设置 -> 开启开发者模式 -> 开启USB调试 -> 允许(授权)当前电脑调试手机;
  3. 在电脑终端输入adb devices命令,查看当前连接到的设备:
    adb devices
    

    命令成功执行,显示结果类似下面(序列码略有不同):

    List of devices attached
    712QSDSEMMS7C   device
    

一. 一键Benchmark

执行以下命令,完成Benchmark:

wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/run_benchmark.sh
sh run_benchmark.sh

run_benchmark.sh脚本会:

  1. 下载模型,并上传手机:包含mobilenetv1/v2、shufflenetv2、squeezenetv1.1、mnasnet;
  2. 下载pre-built android-armv7和android-armv8的可执行文件,并上传手机:benchmark_bin_v7benchmark_bin_v8
  3. 自动执行另一个脚本benchmark.sh(多台手机连接USB,请在benchmark.sh脚本中对adb命令后加上测试手机的serial number);
  4. 从手机下载benchmark结果result_armv7.txtresult_armv8.txt,到当前目录,并显示Benchmark结果。

二. 逐步Benchmark

1. 获取benchmark可执行文件

benchmark_bin文件可以测试PaddleLite的性能,有下面两种方式获得。

方式一:下载benchmark_bin可执行文件

# Download benchmark_bin for android-armv7
wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_bin_v7

# Download benchmark_bin for android-armv8
wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_bin_v8

方式二:由源码编译benchmark_bin文件

根据源码编译准备编译环境,拉取PaddleLite最新release发布版代码,并在仓库根目录下,执行:

###########################################
# Build benchmark_bin for android-armv7   #
###########################################
./lite/tools/ci_build.sh  \
  --arm_os="android" \
  --arm_abi="armv7" \
  --arm_lang="gcc " \
  build_arm

# build result see: <paddle-lite-repo>/build.lite.android.armv7.gcc/lite/api/benchmark_bin

###########################################
# Build benchmark_bin for android-armv8   #
###########################################
./lite/tools/ci_build.sh  \
  --arm_os="android" \
  --arm_abi="armv8" \
  --arm_lang="gcc "  \
  build_arm

# build result see: <paddle-lite-repo>/build.lite.android.armv8.gcc/lite/api/benchmark_bin

注意:为了避免在docker内部访问不到手机的问题,建议编译得到benchmark_bin后退出到docker外面,并且将benchmark_bin文件拷贝到一个临时目录。然后在该临时目录下,按照下面步骤下载模型、拷贝脚本、测试。

2. 下载模型

PaddleLite为Benchmark准备好了常见Benchmark模型

执行以下命令,下载常见Benchmark模型并解压:

wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_models.tar.gz
tar zxvf benchmark_models.tar.gz
模型 下载地址
MobilenetV1 下载
MobilenetV2 下载
ShufflenetV2 下载
Squeezenet_V1.1 下载
Mnasnet 下载

注:若要使用测试脚本,对单个模型测试,请把单个模型放入 benchmark_models 文件夹,并确保测试脚本、benchmark_models文件夹在同一级的目录。

注:上述模型都已经使用model_optimize_tool进行转化,而且Lite移动端只支持加载转化后的模型。如果需要测试其他模型,请先参考模型转化方法

3. benchmark.sh脚本

benchmark测试的执行脚本benchmark.sh 位于源码中的/PaddleLite/lite/tools/benchmark.sh位置,测试时需要将benchmark.shbenchmark_binbenchmark_models 文件复制到同一目录下。

4. 测试

从终端进入benchmark.sh、可执行文件(benchmark_bin_v7、benchmark_bin_v8)和模型文件(benchmark_models)所在文件夹。

运行 benchmark.sh 脚本执行测试

# Benchmark for android-armv7
sh benchmark.sh ./benchmark_bin_v7 ./benchmark_models result_armv7.txt

# Benchmark for android-armv8
sh benchmark.sh ./benchmark_bin_v8 ./benchmark_models result_armv8.txt

测试结束后,armv7和armv8的结果,分别保存在当前目录下的result_armv7.txtresult_armv8.txt文件中。

查看测试结果

在当前目录的result_armv7.txtresult_armv8.txt文件,查看测试结果。

run benchmark armv7
--------------------------------------
PaddleLite Benchmark
Threads=1 Warmup=10 Repeats=30
-- mnasnet               avg = 159.8427 ms
-- mobilenet_v1          avg = 235.0072 ms
-- mobilenet_v2          avg = 173.0387 ms
-- shufflenet_v2         avg = 76.0040 ms
-- squeezenet_v11        avg = 164.2957 ms

Threads=2 Warmup=10 Repeats=30
-- mnasnet               avg = 83.1287 ms
-- mobilenet_v1          avg = 121.6029 ms
-- mobilenet_v2          avg = 86.6175 ms
-- shufflenet_v2         avg = 41.5761 ms
-- squeezenet_v11        avg = 87.8678 ms

Threads=4 Warmup=10 Repeats=30
-- mnasnet               avg = 73.3880 ms
-- mobilenet_v1          avg = 119.0739 ms
-- mobilenet_v2          avg = 85.3050 ms
-- shufflenet_v2         avg = 38.0762 ms
-- squeezenet_v11        avg = 64.2201 ms
--------------------------------------

run benchmark armv8
--------------------------------------
PaddleLite Benchmark
Threads=1 Warmup=10 Repeats=30
-- mnasnet               avg = 165.3073 ms
-- mobilenet_v1          avg = 306.0188 ms
-- mobilenet_v2          avg = 195.1884 ms
-- shufflenet_v2         avg = 99.3692 ms
-- squeezenet_v11        avg = 156.6971 ms

Threads=2 Warmup=10 Repeats=30
-- mnasnet               avg = 90.2290 ms
-- mobilenet_v1          avg = 157.0007 ms
-- mobilenet_v2          avg = 118.1607 ms
-- shufflenet_v2         avg = 68.6804 ms
-- squeezenet_v11        avg = 91.3090 ms

Threads=4 Warmup=10 Repeats=30
-- mnasnet               avg = 179.9730 ms
-- mobilenet_v1          avg = 204.0684 ms
-- mobilenet_v2          avg = 181.6486 ms
-- shufflenet_v2         avg = 123.2728 ms
-- squeezenet_v11        avg = 412.9046 ms
--------------------------------------