person_monitor_fy/dependence/PaddleDetection/static/deploy/python

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
--device	Option	运行时的设备，可选择CPU/GPU，默认为CPU
--run_mode	No	使用GPU时，默认为fluid, 可选（fluid/trt_fp32/trt_fp16/trt_int8）
--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