Skip to content

Latest commit

 

History

History
65 lines (49 loc) · 2.77 KB

model_export.md

File metadata and controls

65 lines (49 loc) · 2.77 KB
Raw

导出预测模型

PaddleSeg训练好模型后，需要将模型导出为预测模型，才可以进行模型部署。

本教程提供一个示例介绍模型导出的方法。

1. 获取预训练权重

大家使用PaddleSeg训练好模型后，输出目录下的best_model文件保存测试精度最高的预训练权重。

本示例中，我们使用BiseNetV2模型，大家执行如下命令或者点击链接下载模型预训练权重。

mkdir bisenet && cd bisenet
wget https://paddleseg.bj.bcebos.com/dygraph/cityscapes/bisenet_cityscapes_1024x1024_160k/model.pdparams
cd ..

2. 导出预测模型

确保正确安装PaddleSeg后，在PaddleSeg目录下执行如下命令，则预测模型会保存在output文件夹。

# 设置1张可用的卡
export CUDA_VISIBLE_DEVICES=0
# windows下请执行以下命令
# set CUDA_VISIBLE_DEVICES=0
python export.py \
       --config configs/bisenet/bisenet_cityscapes_1024x1024_160k.yml \
       --model_path bisenet/model.pdparams \
       --save_dir output

导出脚本参数解释

参数名 用途 是否必选项 默认值
config 配置文件 是 -
model_path 预训练权重的路径 否 配置文件中指定的预训练权重路径
save_dir 保存预测模型的路径 否 output
input_shape 设置导出模型的输入shape，比如传入--input_shape 1 3 1024 1024。如果不设置input_shape，默认导出模型的输入shape是[-1, 3, -1, -1] 否 None
with_softmax 在网络末端添加softmax算子。由于PaddleSeg组网默认返回logits，如果想要部署模型获取概率值，可以置为True 否 False
without_argmax 是否不在网络末端添加argmax算子。由于PaddleSeg组网默认返回logits，为部署模型可以直接获取预测结果，我们默认在网络末端添加argmax算子 否 False

3. 预测模型文件

如下是导出的预测模型文件。

output
  ├── deploy.yaml            # 部署相关的配置文件，主要说明数据预处理的方式
  ├── model.pdmodel          # 预测模型的拓扑结构文件
  ├── model.pdiparams        # 预测模型的权重文件
  └── model.pdiparams.info   # 参数额外信息，一般无需关注

导出预测模型后，我们可以使用以下方式部署模型：

部署场景 使用预测库 教程
服务器端(Nvidia GPU和X86 CPU) Python部署 Paddle Inference 文档
服务器端(Nvidia GPU和X86 CPU) C++端部署 Paddle Inference 文档
移动端部署 Paddle Lite 文档
服务化部署 Paddle Serving 文档
前端部署 Paddle JS 文档