代码拉取完成，页面将自动刷新
同步操作将从 PaddlePaddle/PaddleSeg 强制同步，此操作会覆盖自 Fork 仓库以来所做的任何修改，且无法恢复！！！
确定后同步将在后台操作，完成时将刷新页面，请耐心等待。
简体中文 | English
PaddleSeg训练好模型后，需要将模型导出为预测模型，才可以进行模型部署。
本教程提供一个示例介绍模型导出的过程。
本示例中，我们使用BiseNetV2模型，大家执行如下命令或者点击链接下载模型预训练权重。
mkdir bisenet && cd bisenet
wget https://paddleseg.bj.bcebos.com/dygraph/cityscapes/bisenet_cityscapes_1024x1024_160k/model.pdparams
cd ..
确保正确安装PaddleSeg后，在PaddleSeg目录下执行如下命令，则预测模型会保存在output文件夹。
# 设置1张可用的卡
export CUDA_VISIBLE_DEVICES=0
# windows下请执行以下命令
# set CUDA_VISIBLE_DEVICES=0
python export.py \
--config configs/bisenet/bisenet_cityscapes_1024x1024_160k.yml \
--model_path bisenet/model.pdparams \
--save_dir output
--input_shape 1 3 512 1024
| 参数名 | 用途 | 是否必选项 | 默认值 |
|---|---|---|---|
| config | 配置文件 | 是 | - |
| model_path | 预训练权重的路径 | 否 | 配置文件中指定的预训练权重路径 |
| save_dir | 保存预测模型的路径 | 否 | output |
| input_shape | 设置导出模型的输入shape，比如传入--input_shape 1 3 1024 1024。如果不设置input_shape，默认导出模型的输入shape是[-1, 3, -1, -1] |
否（ 如果预测shape固定，建议指定input_shape参数 ） | None |
| with_softmax | 在网络末端添加softmax算子。由于PaddleSeg组网默认返回logits，如果想要部署模型获取概率值，可以置为True | 否 | False |
| without_argmax | 是否不在网络末端添加argmax算子。由于PaddleSeg组网默认返回logits，为部署模型可以直接获取预测结果，我们默认在网络末端添加argmax算子 | 否 | False |
如果导出出现和shape相关的问题，请尝试指定input_shape。
如下是导出的预测模型文件。
output
├── deploy.yaml # 部署相关的配置文件，主要说明数据预处理的方式
├── model.pdmodel # 预测模型的拓扑结构文件
├── model.pdiparams # 预测模型的权重文件
└── model.pdiparams.info # 参数额外信息，一般无需关注
导出预测模型后，我们可以使用以下方式部署模型：
| 部署场景 | 使用预测库 | 教程 |
|---|---|---|
| 服务器端(Nvidia GPU和X86 CPU) Python部署 | Paddle Inference | 文档 |
| 服务器端(Nvidia GPU和X86 CPU) C++端部署 | Paddle Inference | 文档 |
| 移动端部署 | Paddle Lite | 文档 |
| 服务化部署 | Paddle Serving | 文档 |
| 前端部署 | Paddle JS | 文档 |
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。