PaddleX/docs/deploy/server/python.md

Python部署

PaddleX已经集成了基于Python的高性能预测接口，在安装PaddleX后，可参照如下代码示例，进行预测。相关的接口文档可参考paddlex.deploy

导出预测模型

可参考模型导出将模型导出为inference格式的模型。

预测部署

点击下载测试图片 xiaoduxiong_test_image.tar.gz

• 单张图片预测

  import paddlex as pdx
  predictor = pdx.deploy.Predictor('./inference_model')
  result = predictor.predict(image='xiaoduxiong_test_image/JPEGImages/WeChatIMG110.jpeg')
  

• 批量图片预测

  import paddlex as pdx
  predictor = pdx.deploy.Predictor('./inference_model')
  image_list = ['xiaoduxiong_test_image/JPEGImages/WeChatIMG110.jpeg',
  'xiaoduxiong_test_image/JPEGImages/WeChatIMG111.jpeg']
  result = predictor.predict(image_list=image_list)
  

关于预测速度的说明：采用Paddle的Predictor进行预测时，由于涉及到内存显存初始化等原因，在模型加载后刚开始预测速度会较慢，一般在模型运行20~50后（即预测20~30张图片）预测速度才会稳定。

预测性能对比

测试环境

• CUDA 9.0
• CUDNN 7.5
• PaddlePaddle 1.71
• GPU: Tesla P40
• AnalysisPredictor 指采用Python的高性能预测方式
• Executor 指采用paddlepaddle普通的python预测方式
• Batch Size均为1，耗时单位为ms/image，只计算模型运行时间，不包括数据的预处理和后处理

性能对比

模型	AnalysisPredictor耗时	Executor耗时	输入图像大小
resnet50	4.84	7.57	224*224
mobilenet_v2	3.27	5.76	224*224
unet	22.51	34.60	513*513
deeplab_mobile	63.44	358.31	1025*2049
yolo_mobilenetv2	15.20	19.54	608*608
faster_rcnn_r50_fpn_1x	50.05	69.58	800*1088
faster_rcnn_r50_1x	326.11	347.22	800*1067
mask_rcnn_r50_fpn_1x	67.49	91.02	800*1088
mask_rcnn_r50_1x	326.11	350.94	800*1067