PulseFocusPlatform/deploy/python

Python端预测部署

在PaddlePaddle中预测引擎和训练引擎底层有着不同的优化方法, 预测引擎使用了AnalysisPredictor，专门针对推理进行了优化，是基于C++预测库的Python接口，该引擎可以对模型进行多项图优化，减少不必要的内存拷贝。如果用户在部署已训练模型的过程中对性能有较高的要求，我们提供了独立于PaddleDetection的预测脚本，方便用户直接集成部署。

主要包含两个步骤：

• 导出预测模型
• 基于Python进行预测

1. 导出预测模型

PaddleDetection在训练过程包括网络的前向和优化器相关参数，而在部署过程中，我们只需要前向参数，具体参考:导出模型

导出后目录下，包括infer_cfg.yml, model.pdiparams, model.pdiparams.info, model.pdmodel四个文件。

2. 基于Python的预测

在终端输入以下命令进行预测：

python deploy/python/infer.py --model_dir=./inference/yolov3_mobilenet_v1_roadsign --image_file=./demo/road554.png --use_gpu=True

参数说明如下:

参数	是否必须	含义
--model_dir	Yes	上述导出的模型路径
--image_file	Option	需要预测的图片
--image_dir	Option	要预测的图片文件夹路径
--video_file	Option	需要预测的视频
--camera_id	Option	用来预测的摄像头ID，默认为-1(表示不使用摄像头预测，可设置为：0 - (摄像头数目-1) )，预测过程中在可视化界面按q退出输出预测结果到：output/output.mp4
--use_gpu	No	是否GPU，默认为False
--run_mode	No	使用GPU时，默认为fluid, 可选（fluid/trt_fp32/trt_fp16/trt_int8）
--batch_size	No	预测时的batch size，在指定image_dir时有效
--threshold	No	预测得分的阈值，默认为0.5
--output_dir	No	可视化结果保存的根目录，默认为output/
--run_benchmark	No	是否运行benchmark，同时需指定--image_file或--image_dir
--enable_mkldnn	No	CPU预测中是否开启MKLDNN加速
--cpu_threads	No	设置cpu线程数，默认为1

说明：

• 参数优先级顺序：camera_id > video_file > image_dir > image_file。
• run_mode：fluid代表使用AnalysisPredictor，精度float32来推理，其他参数指用AnalysisPredictor，TensorRT不同精度来推理。
• 如果安装的PaddlePaddle不支持基于TensorRT进行预测，需要自行编译，详细可参考预测库编译教程。