FastDeploy/examples/vision/matting/modnet/python/README.md

MODNet 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
• 2. FastDeploy Python whl包安装，参考FastDeploy Python安装

本目录下提供infer.py快速完成MODNet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/vision/matting/modnet/python/

#下载modnet模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/modnet_photographic_portrait_matting.onnx
wget https://bj.bcebos.com/paddlehub/fastdeploy/matting_input.jpg
wget https://bj.bcebos.com/paddlehub/fastdeploy/matting_bgr.jpg

# CPU推理
python infer.py --model modnet_photographic_portrait_matting.onnx --image matting_input.jpg --bg matting_bgr.jpg --device cpu
# GPU推理
python infer.py --model modnet_photographic_portrait_matting.onnx --image matting_input.jpg --bg matting_bgr.jpg --device gpu
# GPU上使用TensorRT推理
python infer.py --model modnet_photographic_portrait_matting.onnx --image matting_input.jpg --bg matting_bgr.jpg --device gpu --use_trt True

运行完成可视化结果如下图所示

MODNet Python接口

fastdeploy.vision.matting.MODNet(model_file, params_file=None, runtime_option=None, model_format=ModelFormat.ONNX)

MODNet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(ModelFormat): 模型格式，默认为ONNX

predict函数

MODNet.predict(image_data)

模型预测结口，输入图像直接输出抠图结果。

参数

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

返回

返回fastdeploy.vision.MattingResult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[256, 256]
• alpha(list[float]): 预处理归一化的alpha值，计算公式为x'=x*alpha+beta，alpha默认为[1. / 127.5, 1.f / 127.5, 1. / 127.5]
• beta(list[float]): 预处理归一化的beta值，计算公式为x'=x*alpha+beta，beta默认为[-1.f, -1.f, -1.f]
• swap_rb(bool): 预处理是否将BGR转换成RGB，默认True

其它文档

• MODNet 模型介绍
• MODNet C++部署
• 模型预测结果说明
• 如何切换模型推理后端引擎