代码拉取完成，页面将自动刷新
同步操作将从 PaddlePaddle/PaddleDetection 强制同步，此操作会覆盖自 Fork 仓库以来所做的任何修改，且无法恢复！！！
确定后同步将在后台操作，完成时将刷新页面，请耐心等待。
PaddleDetection模型支持保存为ONNX格式，目前测试支持的列表如下
| 模型 | OP版本 | 备注 |
|---|---|---|
| YOLOv3 | 11 | 仅支持batch=1推理；模型导出需固定shape |
| PP-YOLO | 11 | 仅支持batch=1推理；MatrixNMS将被转换NMS，精度略有变化；模型导出需固定shape |
| PP-YOLOv2 | 11 | 仅支持batch=1推理；MatrixNMS将被转换NMS，精度略有变化；模型导出需固定shape |
| PP-YOLO Tiny | 11 | 仅支持batch=1推理；模型导出需固定shape |
| PP-YOLOE | 11 | 仅支持batch=1推理；模型导出需固定shape |
| PP-PicoDet | 11 | 仅支持batch=1推理；模型导出需固定shape |
| FCOS | 11 | 仅支持batch=1推理 |
| PAFNet | 11 | - |
| TTFNet | 11 | - |
| SSD | 11 | 仅支持batch=1推理 |
| PP-TinyPose | 11 | - |
| Faster RCNN | 16 | 仅支持batch=1推理, 依赖0.9.7及以上版本 |
| Mask RCNN | 16 | 仅支持batch=1推理, 依赖0.9.7及以上版本 |
| Cascade RCNN | 16 | 仅支持batch=1推理, 依赖0.9.7及以上版本 |
| Cascade Mask RCNN | 16 | 仅支持batch=1推理, 依赖0.9.7及以上版本 |
保存ONNX的功能由Paddle2ONNX提供，如在转换中有相关问题反馈，可在Paddle2ONNX的Github项目中通过ISSUE与工程师交流。
导出步骤参考文档PaddleDetection部署模型导出教程, 导出示例如下
cd PaddleDetection
python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml \
-o weights=https://paddledet.bj.bcebos.com/models/yolov3_darknet53_270e_coco.pdparams \
TestReader.inputs_def.image_shape=[3,608,608] \
--output_dir inference_model
导出后的模型保存在inference_model/yolov3_darknet53_270e_coco/目录中，结构如下
yolov3_darknet
├── infer_cfg.yml # 模型配置文件信息
├── model.pdiparams # 静态图模型参数
├── model.pdiparams.info # 参数额外信息，一般无需关注
└── model.pdmodel # 静态图模型文件
注意导出时的参数
TestReader.inputs_def.image_shape，对于YOLO系列模型注意导出时指定该参数，否则无法转换成功
RCNN系列模型导出ONNX模型时，需要去除模型中的控制流，因此需要额外添加export_onnx=True 字段
cd PaddleDetection
python tools/export_model.py -c configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.yml \
-o weights=https://paddledet.bj.bcebos.com/models/faster_rcnn_r50_fpn_1x_coco.pdparams \
export_onnx=True \
--output_dir inference_model
导出的模型保存在inference_model/faster_rcnn_r50_fpn_1x_coco/目录中，结构如下
faster_rcnn_r50_fpn_1x_coco
├── infer_cfg.yml # 模型配置文件信息
├── model.pdiparams # 静态图模型参数
├── model.pdiparams.info # 参数额外信息，一般无需关注
└── model.pdmodel # 静态图模型文件
安装Paddle2ONNX（高于或等于0.9.7版本)
pip install paddle2onnx
使用如下命令转换
# YOLOv3
paddle2onnx --model_dir inference_model/yolov3_darknet53_270e_coco \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--opset_version 11 \
--save_file yolov3.onnx
# Faster RCNN
paddle2onnx --model_dir inference_model/faster_rcnn_r50_fpn_1x_coco \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--opset_version 16 \
--save_file faster_rcnn.onnx
转换后的模型即为在当前路径下的yolov3.onnx和faster_rcnn.onnx
安装onnxruntime
pip install onnxruntime
推理代码示例在deploy/third_engine/onnx下
使用如下命令进行推理：
# YOLOv3
python deploy/third_engine/onnx/infer.py
--infer_cfg inference_model/yolov3_darknet53_270e_coco/infer_cfg.yml \
--onnx_file yolov3.onnx \
--image_file demo/000000014439.jpg
# Faster RCNN
python deploy/third_engine/onnx/infer.py
--infer_cfg inference_model/faster_rcnn_r50_fpn_1x_coco/infer_cfg.yml \
--onnx_file faster_rcnn.onnx \
--image_file demo/000000014439.jpg
Paddle2ONNX已经支持导出TensorRT DynamicBatchNMS插件。开发者在导出类似PPYOLOE+、PPYOLOE、YOLOv3、YOLOX、PicoDet等模型，Paddle2ONNX会自动将其中的NMS转成DynamicBatchNMS，从而实现GPU的后处理，大幅提升端到端的部署性能。
导出过程需要注意以下几点：
--deploy_backend tensorrt
此方式导出的模型支持批量预测。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。