NanoDetPlus Python部署示例

在部署前，需确认以下两个步骤

1. 软硬件环境满足要求，参考FastDeploy环境要求
1. FastDeploy Python whl包安装，参考FastDeploy Python安装

本目录下提供infer.py快速完成NanoDetPlus在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。执行如下脚本即可完成

#下载部署示例代码
git clone https://github.com/PaddlePaddle/FastDeploy.git
cd examples/vison/detection/nanodet_plus/python/

#下载NanoDetPlus模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/nanodet-plus-m_320.onnx
wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg

# CPU推理
python infer.py --model nanodet-plus-m_320.onnx --image 000000014439.jpg --device cpu
# GPU推理
python infer.py --model nanodet-plus-m_320.onnx --image 000000014439.jpg --device gpu
# GPU上使用TensorRT推理
python infer.py --model nanodet-plus-m_320.onnx --image 000000014439.jpg --device gpu --use_trt True

运行完成可视化结果如下图所示

NanoDetPlus Python接口

fastdeploy.vision.detection.NanoDetPlus(model_file, params_file=None, runtime_option=None, model_format=Frontend.ONNX)

NanoDetPlus模型加载和初始化，其中model_file为导出的ONNX模型格式

参数

model_file(str): 模型文件路径

params_file(str): 参数文件路径，当模型格式为ONNX格式时，此参数无需设定

runtime_option(RuntimeOption): 后端推理配置，默认为None，即采用默认配置

model_format(Frontend): 模型格式，默认为ONNX

predict函数

NanoDetPlus.predict(image_data, conf_threshold=0.25, nms_iou_threshold=0.5)
模型预测结口，输入图像直接输出检测结果。

参数

image_data(np.ndarray): 输入数据，注意需为HWC，BGR格式

conf_threshold(float): 检测框置信度过滤阈值

nms_iou_threshold(float): NMS处理过程中iou阈值

返回

返回fastdeploy.vision.DetectionResult结构体，结构体说明参考文档视觉模型预测结果

类成员属性

预处理参数

用户可按照自己的实际需求，修改下列预处理参数，从而影响最终的推理和部署效果

size(list[int]): 通过此参数修改预处理过程中resize的大小，包含两个整型元素，表示[width, height], 默认值为[320, 320]

padding_value(list[float]): 通过此参数可以修改图片在resize时候做填充(padding)的值, 包含三个浮点型元素, 分别表示三个通道的值, 默认值为[0, 0, 0]

keep_ratio(bool): 通过此参数指定resize时是否保持宽高比例不变，默认是fasle.

reg_max(int): GFL回归中的reg_max参数，默认是7.

downsample_strides(list[int]): 通过此参数可以修改生成anchor的特征图的下采样倍数, 包含三个整型元素, 分别表示默认的生成anchor的下采样倍数, 默认值为[8, 16, 32, 64]

README.md Unescape Escape

NanoDetPlus Python部署示例

NanoDetPlus Python接口

predict函数

类成员属性

预处理参数

其它文档

README.md