#必填,命名规则：backbone
name: resnet50
# 必填，模型来源，可选值：publish（从代码开发中发布） | preset（系统预置模型） | custom （用户自定义页面上传）
source: preset
# 选填，是否支持二次开发，默认值为true
redevelop: true
# 选填，模型图片文件相对于manifest.yaml的路径，为空则默认图片，要求大小不超过20M，图片分辨率为800*370，宽高比约为2：1
logo: logo.png
#选填,填网络名
backbone: resnet
#选填，描述
description: resnet50-model
#必填，模型支持的领域，可选值参考selector.yaml中field字段，详情见模型任务对应列表
field: cv
#必填，模型支持的任务类型，可选值参考selector.yaml中task字段，详情见模型任务对应列表
task: classification
# 选填，默认没有该字段，模型来源的平台，或模型将被使用的平台，用于模型筛选 可选值参考selector.yaml中platform字段
platform:
  - AIArts
  - DataEyes
# 选填，模型属性，用于推理
props:
  - key: input_shape
    type: string
    value: '224,224'
    desc: input shape
  - key: output_shape
    type: string
    value: '1,10'
    desc: output shape
#选填，中心推理
center:
  #必填，可选值参考selector.yaml中 infer_framework 字段
  framework: ACL
  #必填，如填写，以infer文件夹为根目录，则可以使用用户上传的pickle模型文件进行推理，
  model_path: bert.om
  #必填，如果为air那么平台会自动进行转换为om，可选值参考selector.yaml中 model_format 字段
  format: om
  #选填，模型推理精度 ，可选值参考selector.yaml中 precision 字段
  precision: int8
  #选填，模型推理验证输入输出
  verify_command: python test_request.py
  #选填，中心推理镜像 
  engine: apulistech/pytorch-serving:{hashcode}
  #  必填，中心推理API请求输入参数
  #  示例 {inputs:[{"data":"imagebase64"}]}
  #type可选值参考selector.yaml中 params_type 字段
  input_params:
    - name: data
      type: array
      required: true
      desc: upload image data file
  #  必填，中心推理API请求返回参数
  #  示例 {outputs:[{"detection_scores":"[0.3,0,2]"},{"detection_boxes":"[[121,232,543,321],[21,23,43,53]]"},{"detection_classes":"[1,2]"}]}
  output_params:
    - name: detection_scores
      type: array
      desc: detection scores
    - name: detection_boxes
      type: array
      desc: detection boxes
    - name: detection_classes
      type: array
      desc: detection classes
  #选填，模型可使用的设备信息，可多填
  devices:
    #必填，可选值参考selector.yaml中 device_type 字段
    - type: huawei_npu
      #选填，设备型号，gpu与cpu不需要填写该字段 ，填写该字段则进行型号筛选。多个型号使用逗号分割 目前参考值 | a310 | a910 | 910b | 910pro | 910prob
      series: a910,910b,910pro,910prob
      #选填，最少使用的设备卡数
      device_num: 1
      #选填，最少使用的CPU核心数，单位 个
      cpu: 2
      #选填，最少使用的内存大小，单位 GB
      memory: 8
#选填，边缘推理
edge:
  #必填，同中心推理framework
  framework: TFLite
  #必填，如填写，以infer文件夹为根目录，则可以使用用户上传的tflite模型进行推理
  model_path: bert.tflite
  #选填，模型推理精度 同中心推理precision
  precision: int8
  #必填，目前可选值 同中心推理format
  format: tflite
  #选填，模型推理验证输入输出
  verify_command: python test_request.py
  #选填，边缘推理镜像 
  engine: apulistech/tensorflow-lite:{hashcode}
  #选填，模型可使用的设备信息，可多填
  devices:
    #必填，可选值参考selector.yaml中 device_type 字段
    - type: nvidia_gpu
      #选填，设备型号目前可选值 gpu与cpu不需要填写该字段 目前参考值 | a310 | a910 | 910b | 910pro | 910prob
      #选填，最少使用的设备卡数
      device_num: 1
      #选填，最少使用的CPU核心数，单位 个
      cpu: 2
      #选填，最少使用的内存大小，单位 GB
      memory: 8
  #必填，中心推理API请求输入参数
  #示例 {inputs:[{"data":"imagebase64"}]}
  #type可选值参考selector.yaml中 params_type 字段
  input_params:
    - name: data
      type: array
      required: true
      desc: upload image data file
  #必填，中心推理API请求返回参数
  #示例 {outputs:[{"detection_scores":"[0.3,0,2]"},{"detection_boxes":"[[121,232,543,321],[21,23,43,53]]"},{"detection_classes":"[1,2]"}]}
  #type可选值参考selector.yaml中 params_type 字段
  output_params:
    - name: detection_scores
      type: array
      desc: detection scores
    - name: detection_boxes
      type: array
      desc: detection boxes
    - name: detection_classes
      type: array
      desc: detection classes