代码拉取完成,页面将自动刷新
PaddleX已经集成了基于Python的高性能预测接口,在安装PaddleX后,可参照如下代码示例,进行预测。
在服务端部署模型时需要将训练过程中保存的模型导出为inference格式模型,具体的导出步骤请参考文档部署模型导出将模型导出为inference格式。
接下来的预测部署将使用PaddleX python高性能预测接口,接口说明可参考paddlex.deploy
import paddlex as pdx
predictor = pdx.deploy.Predictor('./inference_model')
result = predictor.predict(img_file='test.jpg')
关于预测速度的说明:加载模型后,前几张图片的预测速度会较慢,这是因为运行启动时涉及到内存显存初始化等步骤,通常在预测20-30张图片后模型的预测速度达到稳定。如果需要评估预测速度,可通过指定预热轮数warmup_iters完成预热。为获得更加精准的预测速度,可指定repeats重复预测后取时间平均值。
import paddlex as pdx
predictor = pdx.deploy.Predictor('./inference_model')
result = predictor.predict(img_file='test.jpg',
warmup_iters=100,
repeats=100)
Python部署所得预测结果支持使用paddlex.det.visualize
(适用于目标检测和实例分割模型)或paddlex.seg.visualize
(适用于语义分割模型)进行可视化。
# 目标检测和实例分割结果
pdx.det.visualize('test.jpg', result, save_dir='./')
# 语义分割结果
pdx.seg.visualize('test.jpg', result, save_dir='./')
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。