Python端预测部署¶
Python预测可以使用tools/infer.py，此种方式依赖PaddleDetection源码；也可以使用本篇教程预测方式，先将模型导出，使用一个独立的文件进行预测。
本篇教程使用AnalysisPredictor对导出模型进行高性能预测。
在PaddlePaddle中预测引擎和训练引擎底层有着不同的优化方法, 下面列出了两种不同的预测方式。Executor同时支持训练和预测，AnalysisPredictor则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。
- Executor：Executor
- AnalysisPredictor：AnalysisPredictor
主要包含两个步骤：
- 导出预测模型
- 基于Python的预测
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__model__，__params__和infer_cfg.yml三个文件。
2. 基于python的预测¶
2.1 安装依赖¶
PaddlePaddle的安装: 请点击官方安装文档 选择适合的方式，版本为1.7以上即可- 切换到
PaddleDetection代码库根目录，执行pip install -r requirements.txt安装其它依赖
2.2 执行预测程序¶
在终端输入以下命令进行预测：
python deploy/python/infer.py --model_dir=/path/to/models --image_file=/path/to/image
--use_gpu=(False/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 |
| --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） |
| --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 |
说明：
- 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。
- PaddlePaddle默认的GPU安装包(<=1.7)，不支持基于TensorRT进行预测，如果想基于TensorRT加速预测，需要自行编译，详细可参考预测库编译教程。
3. 部署性能对比测试¶
对比AnalysisPredictor相对Executor的推理速度
3.1 测试环境:¶
- CUDA 9.0
- CUDNN 7.5
- PaddlePaddle 1.71
- GPU: Tesla P40
3.2 测试方式:¶
- Batch Size=1
- 去掉前100轮warmup时间，测试100轮的平均时间，单位ms/image，只计算模型运行时间，不包括数据的处理和拷贝。
3.3 测试结果¶
| 模型 | AnalysisPredictor | Executor | 输入 |
|---|---|---|---|
| YOLOv3-MobileNetv1 | 15.20 | 19.54 | 608*608 |
| faster_rcnn_r50_fpn_1x | 50.05 | 69.58 | 800*1088 |
| faster_rcnn_r50_1x | 326.11 | 347.22 | 800*1067 |
| mask_rcnn_r50_fpn_1x | 67.49 | 91.02 | 800*1088 |
| mask_rcnn_r50_1x | 326.11 | 350.94 | 800*1067 |