PaddleX/static/docs/train/model_export.md

模型保存

训练过程保存

PaddleX在模型训练过程中，根据train函数接口中的save_interval_epoch参数设置，每间隔相应轮数保存一次模型，模型目录中包含了model.pdparams, model.yml等文件。

在训练过程中保存的模型，可用于作为pretrain_weights继续训练模型，也可使用paddlex.load_model接口加载测试模型的预测和评估等。

部署模型导出

在前面提到的训练中保存的模型，如若要用于部署（部署可参阅PaddleX文档中的模型多端部署章节），需导出为部署的模型格式，部署的模型目录中包含__model__，__params__和model.yml三个文件。

模型部署在Python层面，可以使用基于高性能预测库的python接口paddlex.deploy.Predictor，也可使用paddlex.load_model接口。

模型部署可参考文档部署模型导出

【总结】如若模型目录中包含model.pdparams，那说明模型是训练过程中保存的，部署时需要进行导出；部署的模型目录中需包含__model__，__params__和model.yml三个文件。

模型部署文件说明

• __model__：保存了模型的网络结构信息
• __params__： 保存了模型网络中的参数权重
• model.yml：在PaddleX中，将模型的预处理，后处理，以及类别相关信息均存储在此文件中

模型导出为ONNX模型

PaddleX作为开放开源的套件，其中的大部分模型均支持导出为ONNX协议，满足开发者多样性的需求。

需要注意的是ONNX存在多个OpSet版本，下表为PaddleX各模型支持导出的ONNX协议版本。

模型	ONNX OpSet 9	ONNX OpSet 10	ONNX OpSet 11
图像分类	支持	支持	支持
目标检测（仅YOLOv3系列)	-	支持	支持
语义分割（FastSCNN不支持)	-	-	支持

如何导出

• 1. 参考文档部署模型导出，将训练保存的模型导出为部署模型
  
• 1. 安装paddle2onnx pip install paddle2onnx，转换命令如下，通过--opset_version指定版本(9/10/11)，转换使用方法参考Paddle2ONNX说明

• 附: Paddle2ONNX参阅 https://github.com/PaddlePaddle/paddle2onnx