Python部署¶
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。
预测部署¶
预测接口说明可参考paddlex.deploy
点击下载测试图片 xiaoduxiong_test_image.tar.gz
- 单张图片预测
import paddlex as pdx
predictor = pdx.deploy.Predictor('./inference_model')
result = predictor.predict(image='xiaoduxiong_test_image/JPEGImages/WeChatIMG110.jpeg')
- 批量图片预测
import paddlex as pdx
predictor = pdx.deploy.Predictor('./inference_model')
image_list = ['xiaoduxiong_test_image/JPEGImages/WeChatIMG110.jpeg',
'xiaoduxiong_test_image/JPEGImages/WeChatIMG111.jpeg']
result = predictor.batch_predict(image_list=image_list)
- 视频流预测
import cv2
import paddlex as pdx
predictor = pdx.deploy.Predictor('./inference_model')
cap = cv2.VideoCapture(0)
while cap.isOpened():
ret, frame = cap.read()
if ret:
result = predictor.predict(frame)
vis_img = pdx.det.visualize(frame, result, threshold=0.6, save_dir=None)
cv2.imshow('Xiaoduxiong', vis_img)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
else:
break
cap.release()
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。
预测性能对比¶
测试环境¶
- CUDA 9.0
- CUDNN 7.5
- PaddlePaddle 1.71
- GPU: Tesla P40
- AnalysisPredictor 指采用Python的高性能预测方式
- Executor 指采用PaddlePaddle普通的Python预测方式
- Batch Size均为1,耗时单位为ms/image,只计算模型运行时间,不包括数据的预处理和后处理
性能对比¶
模型 | AnalysisPredictor耗时 | Executor耗时 | 输入图像大小 |
---|---|---|---|
resnet50 | 4.84 | 7.57 | 224*224 |
mobilenet_v2 | 3.27 | 5.76 | 224*224 |
unet | 22.51 | 34.60 | 513*513 |
deeplab_mobile | 63.44 | 358.31 | 1025*2049 |
yolo_mobilenetv2 | 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 |