Skip to content

Latest commit

 

History

History
81 lines (55 loc) · 2.97 KB

paddledetection.md

File metadata and controls

81 lines (55 loc) · 2.97 KB
Raw

PaddleDetection模型部署

当前支持PaddleDetection release/0.5和release/2.0分支导出的模型进行部署（仅支持FasterRCNN/MaskRCNN/PPYOLO/PPYOLOv2/YOLOv3)。PaddleDetection相关详细文档可以查看官网文档。

下面主要以YoloV3为例，讲解从模型导出到部署的整个流程。

步骤一 部署模型导出

1.获取PaddleDetection源码

git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection
git checkout realease/2.0

2. 导出基于COCO数据的预训练模型

在进入PaddleDetection目录后，执行如下命令导出预训练模型

python tools/export_models.py -c configs/yolov3_darknet.yml \
                              -o weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_darknet.tar \
                              --output_dir=inference_model

如果你需要使用TensorRT进行部署预测，则需要在导出模型时固定输入shape，命令如下

python tools/export_models.py -c configs/yolov3_darknet.yml \
                              -o weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_darknet.tar \
                              TestReader.inputs_def.image_shape=[3,640,640] \
                              --output_dir=inference_model

导出的部署模型会保存在inference_model/yolov3_darknet目录，其结构如下

yolov3_darknet
  ├── infer_cfg.yml          # 模型配置文件信息
  ├── model.pdiparams        # 静态图模型参数
  ├── model.pdiparams.info   # 参数额外信息，一般无需关注
  └── model.pdmodel          # 静态图模型文件

步骤二 编译

参考编译文档

步骤三 模型预测

编译后即可获取可执行的二进制demo程序model_infer和multi_gpu_model_infer，分别用于在单卡/多卡上加载模型进行预测，对于分类模型，调用如下命令即可进行预测

./build/demo/model_infer --model_filename=inference_model/yolov3_darknet/model.pdmodel \
                         --params_filename=inference_model/yolov3_darknet/model.pdiparams \
                         --cfg_file=inference_model/yolov3_darknet/infer_cfg.yml \
                         --image=test.jpg \
                         --model_type=det

输出结果如下(分别为类别id， 类别标签，置信度，xmin, ymin, width, height)

Box(0   person  0.295455    424.517 163.213 38.1692 114.158)
Box(0   person  0.13875 381.174 172.267 22.2411 44.209)
Box(0   person  0.0255658   443.665 165.08  35.4124 129.128)
Box(39  bottle  0.356306    551.603 288.384 34.9819 112.599)

关于demo程序的详细使用方法可分别参考以下文档