PaddleX/docs/train/prediction.md

加载模型预测

PaddleX可以使用load_model接口加载模型（包括训练过程中保存的模型，导出的部署模型，量化模型以及裁剪的模型）进行预测，同时PaddleX中也内置了一系列的可视化工具函数，帮助用户方便地检查模型的效果。

图像分类

import paddlex as pdx
model = pdx.load_model('./mobilenetv2')
result = model.predict('./mobilenetv2/test.jpg')
print("Predict Result: ", result)

目标检测和实例分割

import paddlex as pdx
test_jpg = './xiaoduxiong_epoch_12/test.jpg'
model = pdx.load_model('./xiaoduxiong_epoch_12')
result = model.predict(test_jpg)
pdx.det.visualize(test_jpg, result, thresh=0.5, save_dir='./')

在上述示例代码中，通过调用paddlex.det.visualize可以对目标检测/实例分割的预测结果进行可视化，可视化的结果保存在save_dir下。

注意：目标检测和实例分割模型在调用predict接口得到的结果需用户自行过滤低置信度结果，在paddlex.det.visualize接口中，我们提供了thresh用于过滤，置信度低于此值的结果将被过滤，不会可视化。

语义分割

import paddlex as pdx
test_jpg = './deeplabv3p_mobilenetv2_coco/test.jpg'
model = pdx.load_model('./deeplabv3p_mobilenetv2_coco')
result = model.predict(test_jpg)
pdx.seg.visualize(test_jpg, result, weight=0.0, save_dir='./')

在上述示例代码中，通过调用paddlex.seg.visualize可以对语义分割的预测结果进行可视化，可视化的结果保存在save_dir下。其中weight参数用于调整预测结果和原图结果融合展现时的权重，0.0时只展示预测结果mask的可视化，1.0时只展示原图可视化。

PaddleX的load_model接口可以满足用户一般的模型调研需求，如若为更高性能的预测部署，可以参考如下文档

• [服务端Python部署]()
  
• [服务端C++部署]()