mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-12-24 13:28:13 +08:00
Jason
3ff562aa77
* Update VERSION_NUMBER * Update paddle_inference.cmake * Delete docs directory * release new docs * update version number * add vision result doc * update version * fix dead link * fix vision * fix dead link * Update README_EN.md * Update README_EN.md * Update README_EN.md * Update README_EN.md * Update README_EN.md * Update README_CN.md * Update README_EN.md * Update README_CN.md * Update README_EN.md * Update README_CN.md * Update README_EN.md * Update README_EN.md Co-authored-by: leiqing <54695910+leiqing1@users.noreply.github.com>
30 lines
1.8 KiB
Markdown
30 lines
1.8 KiB
Markdown
# PaddleClas 量化模型 Python部署示例
|
|
本目录下提供的`infer.py`,可以帮助用户快速完成PaddleClas量化模型在CPU/GPU上的部署推理加速.
|
|
|
|
## 部署准备
|
|
### FastDeploy环境准备
|
|
- 1. 软硬件环境满足要求，参考[FastDeploy环境要求](../../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
|
- 2. FastDeploy Python whl包安装，参考[FastDeploy Python安装](../../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
|
|
|
### 量化模型准备
|
|
- 1. 用户可以直接使用由FastDeploy提供的量化模型进行部署.
|
|
- 2. 用户可以使用FastDeploy提供的[一键模型量化工具](../../../../../../tools/quantization/),自行进行模型量化, 并使用产出的量化模型进行部署.(注意: 推理量化后的分类模型仍然需要FP32模型文件夹下的inference_cls.yaml文件, 自行量化的模型文件夹内不包含此yaml文件, 用户从FP32模型文件夹下复制此yaml文件到量化后的模型文件夹内即可.)
|
|
|
|
|
|
## 以量化后的ResNet50_Vd模型为例, 进行部署
|
|
```bash
|
|
#下载部署示例代码
|
|
git clone https://github.com/PaddlePaddle/FastDeploy.git
|
|
cd examples/vision/classification/paddleclas/quantize/python
|
|
|
|
#下载FastDeloy提供的ResNet50_Vd量化模型文件和测试图片
|
|
wget https://bj.bcebos.com/paddlehub/fastdeploy/resnet50_vd_ptq.tar
|
|
tar -xvf resnet50_vd_ptq.tar
|
|
wget https://gitee.com/paddlepaddle/PaddleClas/raw/release/2.4/deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg
|
|
|
|
# 在CPU上使用Paddle-Inference推理量化模型
|
|
python infer.py --model resnet50_vd_ptq --image ILSVRC2012_val_00000010.jpeg --device cpu --backend ort
|
|
# 在GPU上使用TensorRT推理量化模型
|
|
python infer.py --model resnet50_vd_ptq --image ILSVRC2012_val_00000010.jpeg --device gpu --backend trt
|
|
```
|