Skip to content

Latest commit

 

History

History
254 lines (204 loc) · 9.02 KB

whl.md

File metadata and controls

254 lines (204 loc) · 9.02 KB

PaddleClas Whl 使用说明

PaddleClas 支持 Python Whl 包方式进行预测，目前 Whl 包方式仅支持图像分类，暂不支持主体检测、特征提取及向量检索。

目录

1. 安装 paddleclas

  • [推荐] 直接 pip 安装：
pip3 install paddleclas
  • 如需使用 PaddleClas develop 分支体验最新功能，或是需要基于 PaddleClas 进行二次开发，请本地构建安装：
python3 setup.py install

2. 快速开始

  • 使用 ResNet50 模型，以下图（PaddleClas/docs/images/inference_deployment/whl_demo.jpg）为例进行说明。

  • 在 Python 代码中使用
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50')
infer_imgs='docs/images/deployment/whl_demo.jpg'
result=clas.predict(infer_imgs)
print(next(result))

注意：PaddleClas.predict() 为可迭代对象（generator），因此需要使用 next() 函数或 for 循环对其迭代调用。每次调用将以 batch_size 为单位进行一次预测，并返回预测结果。返回结果示例如下：

>>> result
[{'class_ids': [8, 7, 86, 82, 80], 'scores': [0.97968, 0.02028, 3e-05, 1e-05, 0.0], 'label_names': ['hen', 'cock', 'partridge', 'ruffed grouse, partridge, Bonasa umbellus', 'black grouse'], 'filename': 'docs/images/inference_deployment/whl_demo.jpg'}]
  • 在命令行中使用
paddleclas --model_name=ResNet50  --infer_imgs="docs/images/inference_deployment/whl_demo.jpg"
>>> result
class_ids: [8, 7, 86, 82, 80], scores: [0.97968, 0.02028, 3e-05, 1e-05, 0.0], label_names: ['hen', 'cock', 'partridge', 'ruffed grouse, partridge, Bonasa umbellus', 'black grouse'], filename: docs/images/inference_deployment/whl_demo.jpg
Predict complete!

3. 参数解释

以下参数可在命令行方式使用中通过参数指定，或在 Python 代码中实例化 PaddleClas 对象时作为构造函数的参数使用。

  • model_name(str): 模型名称，使用 PaddleClas 提供的基于 ImageNet1k 的预训练模型。
  • inference_model_dir(str): 本地模型文件目录，当未指定 model_name 时该参数有效。该目录下需包含 inference.pdmodel 和 inference.pdiparams 两个模型文件。
  • infer_imgs(str): 待预测图片文件路径，或包含图片文件的目录，或网络图片的 URL。
  • use_gpu(bool): 是否使用 GPU，默认为 True。
  • gpu_mem(int): 使用的 GPU 显存大小，当 use_gpu 为 True 时有效，默认为 8000。
  • use_tensorrt(bool): 是否开启 TensorRT 预测，可提升 GPU 预测性能，需要使用带 TensorRT 的预测库，默认为 False。
  • enable_mkldnn(bool): 是否开启 MKLDNN，当 use_gpu 为 False 时有效，默认 False。
  • cpu_num_threads(int): CPU 预测时的线程数，当 use_gpu 为 False 且 enable_mkldnn 为 True 时有效，默认值为 10。
  • batch_size(int): 预测时每个 batch 的样本数量，默认为 1。
  • resize_short(int): 按图像较短边进行等比例缩放，默认为 256。
  • crop_size(int): 将图像裁剪到指定大小，默认为 224。
  • topk(int): 打印（返回）预测结果的前 topk 个类别和对应的分类概率，默认为 5。
  • class_id_map_file(str): class id 与 label 的映射关系文件。默认使用 ImageNet1K 数据集的映射关系。
  • save_dir(str): 将预测结果作为预标注数据保存的路径，默认为 None，即不保存。

注意: 如果使用 Transformer 系列模型，如 DeiT_***_384, ViT_***_384 等，请注意模型的输入数据尺寸，需要设置参数 resize_short=384, crop_size=384，如下所示。

  • 命令行中
paddleclas --model_name=ViT_base_patch16_384 --infer_imgs='docs/images/deployment/whl_demo.jpg' --resize_short=384 --crop_size=384
  • Python 代码中
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ViT_base_patch16_384', resize_short=384, crop_size=384)

4. 使用示例

PaddleClas 提供两种使用方式：

  1. Python 代码中使用；
  2. 命令行中使用。

4.1 查看帮助信息

  • CLI
paddleclas -h

4.2 使用 PaddleClas 提供的预训练模型进行预测

可以使用 PaddleClas 提供的预训练模型来预测，并通过参数 model_name 指定。此时 PaddleClas 会根据 model_name 自动下载指定模型，并保存在目录~/.paddleclas/下。

  • Python
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50')
infer_imgs = 'docs/images/deployment/whl_demo.jpg'
result=clas.predict(infer_imgs)
print(next(result))
  • CLI
paddleclas --model_name='ResNet50' --infer_imgs='docs/images/deployment/whl_demo.jpg'

4.3 使用本地模型文件预测

可以使用本地的模型文件进行预测，通过参数 inference_model_dir 指定模型文件目录即可。需要注意，模型文件目录下必须包含 inference.pdmodel 和 inference.pdiparams 两个文件。

  • Python
from paddleclas import PaddleClas
clas = PaddleClas(inference_model_dir='./inference/')
infer_imgs = 'docs/images/deployment/whl_demo.jpg'
result=clas.predict(infer_imgs)
print(next(result))
  • CLI
paddleclas --inference_model_dir='./inference/' --infer_imgs='docs/images/deployment/whl_demo.jpg'

4.4 批量预测

当参数 infer_imgs 为包含图片文件的目录时，可以对图片进行批量预测，只需通过参数 batch_size 指定 batch 大小。

  • Python
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50', batch_size=2)
infer_imgs = 'docs/images/'
result=clas.predict(infer_imgs)
for r in result:
    print(r)
  • CLI
paddleclas --model_name='ResNet50' --infer_imgs='docs/images/' --batch_size 2

4.5 对网络图片进行预测

可以对网络图片进行预测，只需通过参数 infer_imgs 指定图片 url。此时图片会下载并保存在~/.paddleclas/images/目录下。

  • Python
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50')
infer_imgs = 'https://raw.githubusercontent.com/paddlepaddle/paddleclas/release/2.2/docs/images/inference_deployment/whl_demo.jpg'
result=clas.predict(infer_imgs)
print(next(result))
  • CLI
paddleclas --model_name='ResNet50' --infer_imgs='https://raw.githubusercontent.com/paddlepaddle/paddleclas/release/2.2/docs/images/inference_deployment/whl_demo.jpg'

4.6 对 NumPy.ndarray 格式数据进行预测

在 Python 中，可以对 Numpy.ndarray 格式的图像数据进行预测，只需通过参数 infer_imgs 指定即可。注意，PaddleClas 所提供的模型仅支持 3 通道图像数据，且通道顺序为 RGB。

  • python
import cv2
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50')
infer_imgs = cv2.imread("docs/images/deployment/whl_demo.jpg")[:, :, ::-1]
result=clas.predict(infer_imgs)
print(next(result))

4.7 保存预测结果

可以指定参数 pre_label_out_dir='./output_pre_label/'，将图片按其 top1 预测结果保存到 pre_label_out_dir 目录下对应类别的文件夹中。

  • python
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50', save_dir='./output_pre_label/')
infer_imgs = 'docs/images/' # it can be infer_imgs folder path which contains all of images you want to predict.
result=clas.predict(infer_imgs)
print(next(result))
  • CLI
paddleclas --model_name='ResNet50' --infer_imgs='docs/images/' --save_dir='./output_pre_label/'

4.8 指定 label name

可以通过参数 class_id_map_file 指定 class id 与 lable 的对应关系。PaddleClas 默认使用 ImageNet1K 的 label_name（ppcls/utils/imagenet1k_label_list.txt）。

class_id_map_file 文件内容格式应为：

class_id<space>class_name<\n>

例如：

0 tench, Tinca tinca
1 goldfish, Carassius auratus
2 great white shark, white shark, man-eater, man-eating shark, Carcharodon carcharias
......
  • Python
from paddleclas import PaddleClas
clas = PaddleClas(model_name='ResNet50', class_id_map_file='./ppcls/utils/imagenet1k_label_list.txt')
infer_imgs = 'docs/images/deployment/whl_demo.jpg'
result=clas.predict(infer_imgs)
print(next(result))
  • CLI
paddleclas --model_name='ResNet50' --infer_imgs='docs/images/deployment/whl_demo.jpg' --class_id_map_file='./ppcls/utils/imagenet1k_label_list.txt'