From 5601615cc4ccc2b5b7d3b0a1cf6dc18bc9e444c2 Mon Sep 17 00:00:00 2001 From: cc <52520497+juncaipeng@users.noreply.github.com> Date: Mon, 11 Oct 2021 14:50:13 +0800 Subject: [PATCH] update docs for release 2.3 (#1428) --- .../quick_start/bisenet_optic_disc_512x512_1k.yml | 2 -- docs/deployment/inference/python_inference.md | 12 ++++++++---- 2 files changed, 8 insertions(+), 6 deletions(-) diff --git a/configs/quick_start/bisenet_optic_disc_512x512_1k.yml b/configs/quick_start/bisenet_optic_disc_512x512_1k.yml index dfd464f330..9bc5096ab8 100644 --- a/configs/quick_start/bisenet_optic_disc_512x512_1k.yml +++ b/configs/quick_start/bisenet_optic_disc_512x512_1k.yml @@ -15,8 +15,6 @@ val_dataset: type: OpticDiscSeg dataset_root: data/optic_disc_seg transforms: - - type: Resize - target_size: [512, 512] - type: Normalize mode: val diff --git a/docs/deployment/inference/python_inference.md b/docs/deployment/inference/python_inference.md index 9846d42ea1..9fb549df1b 100644 --- a/docs/deployment/inference/python_inference.md +++ b/docs/deployment/inference/python_inference.md @@ -10,14 +10,18 @@ ## 2. 准备模型和数据 -下载[样例模型](https://paddleseg.bj.bcebos.com/dygraph/demo/bisenet_demo_model.tar.gz)用于测试。如果要使用其他模型，大家可以使用[模型导出工具](../../model_export.md)。 +下载[样例模型](https://paddleseg.bj.bcebos.com/dygraph/demo/bisenet_demo_model.tar.gz)用于测试。 + +如果要使用其他模型，大家可以参考[文档](../../model_export.md)导出预测模型，再进行测试。 ```shell wget https://paddleseg.bj.bcebos.com/dygraph/demo/bisenet_demo_model.tar.gz tar zxvf bisenet_demo_model.tar.gz ``` -下载cityscapes验证集中的一张[图片](https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png)用于演示效果。如果大家的模型是使用其他数据集训练的，请自行准备测试图片。 +下载cityscapes验证集中的一张[图片](https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png)用于演示效果。 + +如果模型是使用其他数据集训练的，请自行准备测试图片。 ``` wget https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png @@ -67,7 +71,7 @@ wget https://paddle-inference-dist.bj.bcebos.com/tensorrt_test/cuda10.2-cudnn8.0 ```shell python deploy/python/infer.py \ - --config /path/to/deploy.yaml \ + --config /path/to/model/deploy.yaml \ --image_path /path/to/image/path/or/dir ``` @@ -94,7 +98,7 @@ python deploy/python/infer.py \ * 加载常规预测模型，设置precision为fp32，此时执行fp32数值精度 * 加载常规预测模型，设置precision为fp16，此时执行fp16数值精度，可以加快推理速度 * 加载量化预测模型，设置precision为int8，此时执行int8数值精度，可以加快推理速度 -* 如果在Nvidia GPU上使用TensorRT方式部署模型，出现错误信息`(InvalidArgument) some trt inputs dynamic shape inof not set`，可以设置enable_auto_tune参数为True。此时，使用部分测试数据离线收集动态shape，使用收集到的动态shape用于TRT部署。 +* 如果在Nvidia GPU上使用TensorRT方式部署模型，出现错误信息`(InvalidArgument) some trt inputs dynamic shape inof not set`，可以设置enable_auto_tune参数为True。此时，使用部分测试数据离线收集动态shape，使用收集到的动态shape用于TRT部署。（注意，少部分模型暂时不支持在Nvidia GPU上使用TensorRT方式部署）。 * 如果要开启`--benchmark`的话需要安装auto_log，请参考[安装方式](https://github.com/LDOUBLEV/AutoLog)。 测试样例的预测结果如下。