模型保存¶
训练过程保存¶
PaddleX在模型训练过程中,根据train
函数接口中的save_interval_epoch
参数设置,每间隔相应轮数保存一次模型,模型目录中包含了model.pdparams
, model.yml
等文件。
在训练过程中保存的模型,可用于作为pretrain_weights继续训练模型,也可使用paddlex.load_model
接口加载测试模型的预测和评估等。
部署模型导出¶
在前面提到的训练中保存的模型,如若要用于部署(部署可参阅PaddleX文档中的模型多端部署章节),需导出为部署的模型格式,部署的模型目录中包含__model__
,__params__
和model.yml
三个文件。
模型部署在Python层面,可以使用基于高性能预测库的python接口paddlex.deploy.Predictor
,也可使用paddlex.load_model
接口。
模型部署可参考文档部署模型导出
【总结】如若模型目录中包含model.pdparams
,那说明模型是训练过程中保存的,部署时需要进行导出;部署的模型目录中需包含__model__
,__params__
和model.yml
三个文件。
模型部署文件说明¶
__model__
:保存了模型的网络结构信息__params__
: 保存了模型网络中的参数权重model.yml
:在PaddleX中,将模型的预处理,后处理,以及类别相关信息均存储在此文件中
模型导出为ONNX模型¶
PaddleX作为开放开源的套件,其中的大部分模型均支持导出为ONNX协议,满足开发者多样性的需求。
需要注意的是ONNX存在多个OpSet版本,下表为PaddleX各模型支持导出的ONNX协议版本。
模型 | ONNX OpSet 9 | ONNX OpSet 10 | ONNX OpSet 11 |
---|---|---|---|
图像分类 | 支持 | 支持 | 支持 |
目标检测(仅YOLOv3系列) | - | 支持 | 支持 |
语义分割(FastSCNN不支持) | - | - | 支持 |
如何导出¶
- 参考文档部署模型导出,将训练保存的模型导出为部署模型
- 安装paddle2onnx
pip install paddle2onnx
,转换命令如下,通过--opset_version
指定版本(9/10/11),转换使用方法参考Paddle2ONNX说明
- 安装paddle2onnx
- 附: Paddle2ONNX参阅 https://github.com/PaddlePaddle/paddle2onnx