libtorch教程（一）开发环境搭建：VS+libtorch和Qt+libtorch

前言 事实上，在前面���pytorch部署博客和libtorch的QT部署中笔者已经分享了自己搭建libtorch开发环境的记录。其余并无太多要赘述的。

本教程禁止转载。同时，本教程来自知识星球【CV技术指南】更多技术教程，可加入星球学习。

Transformer、目标检测、语义分割交流群

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV各大方向专栏与各个部署框架最全教程整理

VS+libtorch

VS+libtorch引言

本文旨在介绍如何在Windows平台使用pytorch的c++ api部署pytorch的CNN模型，本文的部署的模型只有推理功能，这是由于torch::jit不支持部分层或者操作的反向传播。当然即使只是推理也足够许多项目运行了，部署使用的工具有visual studio，opencv，libtorch。

环境

本文环境如下：

win10平台

cuda10.2+cudnn7.6.5

双显卡Gtx 1080Ti

visual studio 2017 community version

opencv 4.5.0

libtorch 1.1

事实上，除了libtorch是版本有强制要求不低于pytorch版本外（主要是可能存在的api问题，否则也不必）和visual studio的版本要求外，其他如opencv并无版本要求，甚至如果只部署cpu的话，显卡都不是必须。

visual studio

visual studio版本最好在2015及以上，本文用2017版本。下载链接在链接1，具体安装过程可以参考链接2。打开链接1下载社区版本即可，安装时对于c++程序设计只需安装对应部分，勾选如下：

](https://raw.githubusercontent.com/AllentDan/ImageBase/main/libtorch_deploy/vs.PNG)

visual studio的安装并无太多需要赘述，按照教程操作就好。

opencv

截止成文时，opencv版本已到4.5.0。去官网下载你想要的版本即可，当然限定平台为Windows平台。opencv的版本如若读者没有特别需要均无影响，本文也试过不同版本，不影响部署。opencv安装也容易，虽然是exe文件，但是实际就是个压缩包，解压到你想要的目录最好。值得注意的是，好的编程习惯很重要，所有程序涉及路径以英文路径为佳，避免出错。

libtorch

libtorch使用所需要的环境和训练最好保持一致，其中cuda，显卡驱动以及libtorch版本配置一般不应低于训练环境。尤其是libtorch版本要求更为严格，否则部分pytorch的api无法在libtorch中使用。

本文中以libtorch1.7为例介绍，读者最新版1.7.1使用，亲测可用。下载时以release版本为佳，避免一些不必要的错误。

](https://raw.githubusercontent.com/AllentDan/ImageBase/main/libtorch_deploy/libtorch_download_scene.PNG)

下载后同样解压到读者想要路径，可以更改好解压名称如下以方便版本管理。

这样下来就已经准备好部署所需要的依赖项。

例子

生成.pt文件

接下来以ResNet34分类模型为例尝试部署分类模型。准备一张图片用以判断是否部署成功，本文用例图如下：

接下来先和官网类似生成torchscript模型，亦即本文中的pt文件。本文使用代码如下：

from torchvision.models import resnet34import torch.nn.functional as Fimport torch.nn as nnimport torchimport cv2#读取一张图片，并转换成[1,3,224,224]的float张量并归一化image = cv2.imread("flower.jpg")image = cv2.resize(image,(224,224))input_tensor = torch.tensor(image).permute(2,0,1).unsqueeze(0).float()/225.0#定义并加载resnet34模型在imagenet预训练的权重model = resnet34(pretrained=True)model.eval()#查看模型预测该付图的结果output = model(input_tensor)output = F.softmax(output,1)print("模型预测结果为第{}类，置信度为{}".format(torch.argmax(output),output.max()))#生成pt模型，按照官网来即可model=model.to(torch.device("cpu"))model.eval()var=torch.ones((1,3,224,224))traced_script_module = torch.jit.trace(model, var)traced_script_module.save("resnet34.pt")

输出结果为：

模型预测结果为第723类，置信度为0.5916505455970764

代码运行结束即可生成.pt文件。

Visual Studio项目配置

新建Visual Studio工程项目。

打开Visual Studio 2017，点击文件->新建->项目，新建空白的c++项目如下：

本文新建项目名称为deploy_test，新建空白项目后右键源文件，点击添加新建项，生成main.cpp。至此，Visual Studio项目的准备工作已做好，接下来时配置项目环境。

编译环境配置

在项目的管理器中设置项目的编译为Release，平台选择x64。如图：

配置项目属性

include

右键项目deploy_test，选择属性进入属性页的配置属性。选择VC++目录，需要添加包含目录和库目录。包含目录配置路径为

your path to libtorch\include\torch\csrc\api\includeyour path to libtorch\includeyour path to opencv\build\include

本文的配置结果如下：

lib

库目录的配置路径为：

your path to libtorch\libyour path to opencv\build\x64\vc14\lib

其中，vc版本与vs版本对应关系以及opencv与vc版本间的关系见链接。VS2017对应版本为vc15，opencv的\build\x64文件夹下同时有vc14和vc15，本文选择了vc14也是可用的（VS高版本向下兼容）。库目录具体配置如下图：

link

最后添加链接器，点击链接器->输入->附加依赖项，编辑添加库目录中libtorch库目录下所有的.lib文件名。此外，为使用opencv还需添加opencv的.lib文件。本文添加如下：

opencv_world450.libasmjit.libc10.libc10d.libc10_cuda.libcaffe2_detectron_ops_gpu.libcaffe2_module_test_dynamic.libcaffe2_nvrtc.libclog.libcpuinfo.libdnnl.libfbgemm.libgloo.libgloo_cuda.liblibprotobuf-lite.liblibprotobuf.liblibprotoc.libmkldnn.libtorch.libtorch_cpu.libtorch_cuda.lib

dll

动态链接库需要放入指定位置，有三种做法：

• 将opencv中的\build\x64\vc14\bin文件夹路径放入环境变量path中，libtorch中的lib文件夹同样如此；
• 拷贝opencv和libtorch中的dll文件到项目的执行目录中；
• 将opencv和libtorch中的dll路径配置到VS项目中；

  从省事角度和工程需要角度，一般都是直接拷贝dll到执行目录中。读者可以在项目编译后执行时报错缺啥拷贝啥。

  至此，VS项目的配置内容已经完成，下面开始c++代码。

  cpp代码

  #include#include #include  int main(){//定义使用cudaauto device = torch::Device(torch::kCUDA,0);//读取图片auto image = cv::imread("your path to\flower.jpg");//缩放至指定大小cv::resize(image, image, cv::Size(224, 224));//转成张量auto input_tensor = torch::from_blob(image.data, { image.rows, image.cols, 3 }, torch::kByte).permute({ 2, 0, 1 }).unsqueeze(0).to(torch::kFloat32) / 225.0;//加载模型auto model = torch::jit::load("your path to\resnet34.pt");model.to(device);model.eval();//前向传播auto output = model.forward({input_tensor.to(device)}).toTensor();output = torch::softmax(output, 1);std::cout } ]类，置信度为0.591652[ CUDAFloatType{} ]

  p可以发现，torchscript文件推理的结果还是和python的略有不同，不过也已经时小数点后第6位了，一般不会影响最后结果判定。/p h4一些报错/h4 h5错误1：无法使用GPU/h5 p目前最新的libtorch依据是1.7+cuda10.2，我也有使用，但是目前发布的版本编译的并不完美。如果官方仍然没有更新的话，以该版本运行的程序可以在CPU中正常使用，但是将模型移至GPU时会出错。相比于正常添加lib文件名，1.7版本的需要在链接器里多添加一句：/p pre /INCLUDE:?warp_size@cuda@at@@YAHXZ/pre p其他版本如有遇到类似问题可以同样方式解决，该错误似乎是windows平台导致，此解决方法参考了此链接。/p h5错误2：编译时报错“std”: 不明确的符号/h5 p调整属性页-属性配置-c/c+±语言-符合模式设置为否即可编译成功。/p h5错误3：缺少dll/h5 p如果编译成功，执行报错由于找不到xxxx.dll，无法继续执行代码。则解决方式有三：/p ulli添加对应dll的目录到系统环境变量的path中/lili在VS项目中配置dll路径/lili直接将该dll复制粘贴到项目的执行路径下。/pp如果项目不多，建议直接复制粘贴。h3Qt+libtorch/h3 h4Qt+libtorch引言/h4 p纯c++用户而言如果要自研产品，会一个图形界面编程工具还是有必要的。大多数c++用户，如果在Windows平台开发则多使用微软全家桶，如果是Linux平台则可能是其他工具再cmake。这篇博客将记录Windows平台，QT Creator中Opencv和Libtorch的配置。网上有较多关于使用Mingw编译Opencv源码以供QT Creator使用的，事实上，只是基于Opencv和Libtorch的api做开发的话，无需编译。正确的流程为：安装QT Creator时，勾选MSVC编译器，下载opencv的exe文件和libtorch的官方版压缩包，随后配置Release版本的项目即可。如要直接看正确步骤，前往本文“正确步骤”小节即可。各工具版本：/p ulliQT Creator 4.11.0 (Community)/liliQT 5.14.1/liliOpenCV 4.5.0(官网) 4.1.1 x64(MingW轮子库版)/liliLibtorch 1.7.0(官网)/liliCUDA 10.2/liliCUDNN(适配CUDA10.2版本)h4QT Creator安装不全，编译器选择错误，OpenCv使用困难/h4 p由于自己以前主力开发工具是微软全家桶，主要Visual Studio写c++，VS code写python这样，QT Creator大致了解后简单装了下，只有MingW x64编译器，这导致OpenCV不能像在Visual Studio一样直接官网下载.exe解压添加动态库即可。由于不了解QT Creator，配置时直接按照网上部分博客在.pro中修改，导致出错。/p p直接下载opencv官网.exe，使用MingW编译主要错误表现为：/p olli控制台无法输出，即QT Creator最下方3 应用程序输出只有Debugging starts和Debugging has finished字样。/lilicv::Mat可以使用，但是imread和imshow均无法使用，右键项目重新构建时出现 undefined reference to `cv::imread(cv::String const…/li/ol p错误undefined reference to也就是“未定义的标识符”错误，这是因为没有正确关联.lib文件，工程只能找到函数声明，无法找到定义。然后一顿折腾，以为自己.pro文件中的INCLUDEPATH和LIBS配置不对，各种魔改都没有效果。最后看某个博客说因为OpenCV官网提供的是MSVC编译的，如果想基于MingW开发，需要前往这个GitHub上下载需要版本。OpenCV在2.4.10及之后版本不再提供MingW编译的Lib。如果要跨平台做基于OpenCV的开发，要么自己用MingW编译一次OpenCV源码，要么用网上已有的轮子。/p p选用轮子库里的MinGW-OpenCV-4.1.1-x64，在.pro文件中配置好库文件如下：/p pre INCLUDEPATH += your path to\MinGW-OpenCV-4.1.1-x64\includeLIBS+=your path to\MinGW-OpenCV-4.1.1-x64\x64\mingw\lib\libopencv_*.a/pre p*是正则表示任意字符串。QT Creator中的配置路径很有趣，同时接受/，//，\和\。在.pro文件改好后，选择构建build，执行qmake，然后再右键项目，选择重新构建，此时无论项目配置使用Release或者Debug编译均可通过。同时，也可以在Linux中做OpenCV开发。/p h4Libtorch只能用MSVC编译器直接调用/h4 p有了配置成功OpenCV的经验，就自然想继续用MingW配置Libtorch，找到pytorch官网提供的libtorch下载Debug或者Release版本。以Release版本为例配置.pro如下：/p pre INCLUDEPATH += your path to\MinGW-OpenCV-4.1.1-x64\include \your path to\libtorch17release\include \your path to\libtorch17release\include\torch\csrc\api\includeLIBS+=your path to\MinGW-OpenCV-4.1.1-x64\x64\mingw\lib\libopencv_*.a \your path to\libtorch17release\lib\*.lib \your path to\libtorch17release\lib\*.dll/pre pqmake, 重新构建，产生159个warning，12个error。警告不用管，项目配置Debug或者Release编译，错误都有有：/p olliinclude\c10\macros\Macros.h:287: error: ‘__assert_fail’ was not declared in this scope __assert_fail/liliinclude\ATen\core\ivalue_inl.h:719: error: expected unqualified-id before ‘(’ token TORCH_CHECK(obj->slots().size() == 1,

重装QT Creator，配置MSVC编译器

可以在QT安装路径中使用QT manager补装，但是比较麻烦。直接在控制面版中卸载QT Creator，官网下载或者搜索其他网址下载，官网加载很慢可以搜索下载。

参考QT Creator安装，重装时，在选择组件部分除了默认的Develper and Designer Tools中的MingW和CDB，还要勾选MSVC部分。

安装好MSVC编译器，还要配置，配置时需要cdb.exe。选择工具->选项->构建套件(Kits)->MSVC 2017 x64->调式器，添加cdb.exe。如果没有，下载安装即可。装好后在添加cdb调试器。

重新用MSVC 2017编译器，配置OpenCV和Libtorch

配置好MSVC编译器后，在.pro文件加入配置如下：

INCLUDEPATH += your path to\opencv-4.5.0-vc14_vc15\opencv\build\include \your path to\libtorch17debug\include \your path to\libtorch17debug\include\torch\csrc\api\includeLIBS+=your path to\opencv-4.5.0-vc14_vc15\opencv\build\x64\vc15\lib\opencv_world450d.lib \your path to\libtorch17debug\lib\*.lib

执行qmake，重新构建。发现报错主要来自IValue.h和IValue_init.h文件，显示7个错误

• 语法错误: 标识符“IValue”
• 意外的标记位于“;”之前
• “c10::IValue”:非法的成员初始化
• “Tag”：不是类或命名空间名称
• 语法错误，缺少“;”等。

  解决方法参考引用3，分两步

  1. 在引用 #include 的地方，这样写

  #undef slots#include #define slots Q_SLOTS

  1. 在报错的D:\libtorch\include\ATen/core/ivalue.h头文件和IValue_init.h文件中

     找出如下3行内容，注释掉。共有多处

  /// \cond DOXYGEN_CANNOT_HANDLE_CONSTRUCTORS_WITH_MACROS_SO_EXCLUDE_THIS_LINE_FROM_DOXYGENC10_DEPRECATED_MESSAGE("IValues based on std::vector are potentially slow and deprecated. Please use c10::List instead.")/// \endcond

  至此，重新构建不再出错。但是运行报错：cdb process terminated。排查错误来源，发现只使用OpenCV是没有问题的，但是加入libtorch则出错。没办法，只能将项目配置Debug转成Release。或者运行也不报错，但是当运行代码中有libtorch相关的模型操作，无论加载或者forward，均会终止运行。

  正确步骤

  至此，坑已经全部踩完。CUDA和CUDNN的安装网上方法很多，就不赘述。安装好后，QT完整的深度学习配置步骤为：

  1. 下载安装QT Creator，配置好环境。官网下载或者搜索其他网址下载，官网加载很慢可以搜索下载。注意安装时勾选MSVC编译器组件。项目选用MSVC编译，在工具->选项->构建套件(Kits)->MSVC 2017 x64配置MSVC 2017 x64，选择c和c++编译器为amd64。
  2. 如果电脑没有cdb.exe文件(Everything搜查)，则下载安装，安装完毕后选择工具->选项->构建套件(Kits)->MSVC 2017 x64->Debugger(调式器)，添加cdb.exe。
  3. 下载OpenCV和libtorch。将正确路径配置到项目的.pro文件中，在.pro文件末尾添加

  INCLUDEPATH += your path to\opencv-4.5.0-vc14_vc15\opencv\build\include \your path to\libtorch17release\include \your path to\libtorch17release\include\torch\csrc\api\includeLIBS += -Lyour path to\opencv-4.5.0-vc14_vc15\opencv\build\x64\vc15\lib -lopencv_world450 \-Lyour path to\libtorch17release\lib -lc10 -ltorch -lc10_cuda -lcaffe2_detectron_ops_gpu -lc10d -ltorch_cpu \-ltorch_cuda -lgloo -lcaffe2_module_test_dynamic -lasmjit -lcaffe2_nvrtc -lclog -lcpuinfo -ldnnl -lfbgemm -lgloo_cuda \-lmkldnn -INCLUDE:?warp_size@cuda@at@@YAHXZ

  将your path to替换为你本地路径。

  1. 项目配置为Release模式，运行qmake成功，右键项目重新构建。可能产生错误有：

     语法错误: 标识符“IValue”；

     意外的标记位于“;”之前；

     “c10::IValue”:非法的成员初始化；

     “Tag”：不是类或命名空间名称；

     语法错误，缺少“;”。

     解决方法参考引用3，在引用 #include 的地方，这样写

  #undef slots#include #define slots Q_SLOTS

  在报错的D:\libtorch\include\ATen/core/ivalue.h头文件和IValue_init.h文件中

  找出如下3行内容，注释掉。共有多处

  /// \cond DOXYGEN_CANNOT_HANDLE_CONSTRUCTORS_WITH_MACROS_SO_EXCLUDE_THIS_LINE_FROM_DOXYGENC10_DEPRECATED_MESSAGE("IValues based on std::vector are potentially slow and deprecated. Please use c10::List instead.")/// \endcond

  至此，重新构建不再出错

  1. 成功运行，测试的main.cpp文件代码如下：

  #include "mainwindow.h"#include#include #include#undef slots#include#include#define slots Q_SLOTSclass ConvReluBnImpl : public torch::nn::Module {public:    ConvReluBnImpl(int input_channel=3, int output_channel=64, int kernel_size = 3);    torch::Tensor forward(torch::Tensor x);private:    // Declare layers    torch::nn::Conv2d conv{ nullptr };    torch::nn::BatchNorm2d bn{ nullptr };};TORCH_MODULE(ConvReluBn);ConvReluBnImpl::ConvReluBnImpl(int input_channel, int output_channel, int kernel_size) {    conv = register_module("conv", torch::nn::Conv2d(torch::nn::Conv2dOptions(input_channel, output_channel, kernel_size).padding(1)));    bn = register_module("bn", torch::nn::BatchNorm2d(output_channel));}torch::Tensor ConvReluBnImpl::forward(torch::Tensor x) {    x = torch::relu(conv->forward(x));    x = bn(x);    return x;}int main(int argc, char *argv[]){    //test torch    auto device = torch::Device(torch::kCUDA);    auto model = ConvReluBn(3,4,3);    model->to(device);    auto input = torch::zeros({1,3,12,12},torch::kFloat).to(device);    auto output = model->forward(input);    std::cout