模型导出¶

训练得到一个满足要求的模型后，如果想要将该模型接入到C++预测库或者Serving服务，需要通过tools/export_model.py导出该模型。同时，会导出预测时使用的配置文件，路径与模型保存路径相同, 配置文件名为infer_cfg.yml。

说明：

输入部分： 导出模型输入为网络输入图像，即原始图片经过预处理后的图像，具体预处理方式可参考配置文件中TestReader部分。各类检测模型的输入格式分别为：

模型系列名称	输入图像预处理方式	其他输入信息
YOLO	缩放至指定大小，归一化	im_size: 格式为[origin_H, origin_W], origin为原始图像
SSD	缩放至指定大小，归一化	im_shape: 格式为[origin_H, origin_W], origin为原始图像
RCNN	归一化，等比例缩放	1. im_info：格式为[input_H, input_W, scale]，input为输入图像，scale为`输入图像大小/原始图像大小` 2. im_shape：格式为[origin_H, origin_W, 1.], origin为原始图像
RCNN+FPN	归一化，等比例缩放，对图像填充0使得长宽均为32的倍数	1. im_info：格式为[input_H, input_W, scale]，input为输入图像，scale为`输入图像大小/原始图像大小` 2. im_shape：格式为[origin_H, origin_W, 1.], origin为原始图像
RetinaNet	归一化，等比例缩放，对图像填充0使得长宽均为128的倍数	1. im_info：格式为[input_H, input_W, scale]，input为输入图像，scale为`输入图像大小/原始图像大小` 2. im_shape：格式为[origin_H, origin_W, 1.], origin为原始图像
Face	归一化	im_shape: 格式为[origin_H, origin_W], origin为原始图像

输出部分： 导出模型输出统一为NMS的输出，形状为[N, 6], 其中N为预测框的个数，6为[class_id, score, x1, y1, x2, y2]。
模型导出不支持模型结构中包含fluid.layers.py_func的情况。

启动参数说明¶

FLAG	用途	默认值	备注
-c	指定配置文件	None
--output_dir	模型保存路径	`./output`	模型默认保存在`output/配置文件名/`路径下

使用示例¶

使用训练/评估/推断中训练得到的模型进行试用，脚本如下

# 导出FasterRCNN模型, 模型中data层默认的shape为3x800x1333
python tools/export_model.py -c configs/faster_rcnn_r50_1x.yml \
        --output_dir=./inference_model \
        -o weights=output/faster_rcnn_r50_1x/model_final

预测模型会导出到inference_model/faster_rcnn_r50_1x目录下，模型名和参数名分别为__model__和__params__。

设置导出模型的输入大小¶

使用Fluid-TensorRT进行预测时，由于<=TensorRT 5.1的版本仅支持定长输入，保存模型的data层的图片大小需要和实际输入图片大小一致。而Fluid C++预测引擎没有此限制。设置TestReader中的image_shape可以修改保存模型中的输入图片大小。示例如下:

# 导出FasterRCNN模型，输入是3x640x640
python tools/export_model.py -c configs/faster_rcnn_r50_1x.yml \
        --output_dir=./inference_model \
        -o weights=https://paddlemodels.bj.bcebos.com/object_detection/faster_rcnn_r50_1x.tar \
           TestReader.inputs_def.image_shape=[3,640,640]

# 导出YOLOv3模型，输入是3x320x320
python tools/export_model.py -c configs/yolov3_darknet.yml \
        --output_dir=./inference_model \
        -o weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_darknet.tar \
           TestReader.inputs_def.image_shape=[3,320,320]

# 导出SSD模型，输入是3x300x300
python tools/export_model.py -c configs/ssd/ssd_mobilenet_v1_voc.yml \
        --output_dir=./inference_model \
        -o weights=https://paddlemodels.bj.bcebos.com/object_detection/ssd_mobilenet_v1_voc.tar \
           TestReader.inputs_def.image_shape=[3,300,300]

Paddle Serving部署模型导出¶

如果您要将上述模型用于Paddle Serving在线预估服务，操作如下

# 导出Serving模型需要安装paddle-serving-client
pip install paddle-serving-client
# 导出FasterRCNN模型, 模型中data层默认的shape为3x800x1333
python tools/export_serving_model.py -c configs/faster_rcnn_r50_1x.yml \
        --output_dir=./inference_model \
        -o weights=output/faster_rcnn_r50_1x/model_final

用于Serving的预测模型会导出到inference_model/faster_rcnn_r50_1x目录下，其中serving_client为客户端配置文件夹，serving_server为服务端配置文件夹，模型参数也在服务端配置文件夹中。

更多的信息详情参见使用Paddle Serving部署Faster RCNN模型