本目录下提供infer.cc快速完成EDVR在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。
在部署前，需确认以下两个步骤
-
- 软硬件环境满足要求，参考FastDeploy环境要求
-
- 根据开发环境，下载预编译部署库和samples代码，参考FastDeploy预编译库
以Linux上EDVR推理为例，在本目录执行如下命令即可完成编译测试，支持此模型需保证FastDeploy版本0.7.0以上(x.x.x>=0.7.0)
mkdir build
cd build
# 下载FastDeploy预编译库，用户可在上文提到的`FastDeploy预编译库`中自行选择合适的版本使用
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-x.x.x.tgz
tar xvf fastdeploy-linux-x64-x.x.x.tgz
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-x.x.x
make -j
# 下载EDVR模型文件和测试视频
wget https://bj.bcebos.com/paddlehub/fastdeploy/EDVR_M_wo_tsa_SRx4.tar
tar -xvf EDVR_M_wo_tsa_SRx4.tar
wget https://bj.bcebos.com/paddlehub/fastdeploy/vsr_src.mp4
# CPU推理
./infer_demo EDVR_M_wo_tsa_SRx4 vsr_src.mp4 0 2
# GPU推理
./infer_demo EDVR_M_wo_tsa_SRx4 vsr_src.mp4 1 2
# GPU上TensorRT推理
./infer_demo EDVR_M_wo_tsa_SRx4 vsr_src.mp4 2 2以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考:
fastdeploy::vision::sr::EDVR(
const string& model_file,
const string& params_file = "",
const RuntimeOption& runtime_option = RuntimeOption(),
const ModelFormat& model_format = ModelFormat::PADDLE)EDVR模型加载和初始化，其中model_file为导出的Paddle模型格式。
参数
- model_file(str): 模型文件路径
- params_file(str): 参数文件路径
- runtime_option(RuntimeOption): 后端推理配置，默认为None，即采用默认配置
- model_format(ModelFormat): 模型格式，默认为Paddle格式
EDVR::Predict(std::vector<cv::Mat>& imgs, std::vector<cv::Mat>& results)模型预测接口，输入图像直接输出检测结果。
参数
- imgs: 输入视频帧序列，注意需为HWC，BGR格式
- results: 视频超分结果，超分后的视频帧序列