飞桨领航团AI达人创造营4-edgeboard部署（硬件部署）

edgeboard部署-PaddleX快速上手-MobileNetV2图像分类

当前教程文档基于PaddleX静态图版本（低于2.0.0)，如使用最新PaddleX动态图版本，请参考教程PaddleX 2.0快速上手CV模型训练。

PaddleX简介：PaddleX是飞桨全流程开发工具，集飞桨核心框架、模型库、工具及组件等深度学习开发所需全部能力于一身，打通深度学习开发全流程，并提供简明易懂的Python API，方便用户根据实际生产需求进行直接调用或二次开发，为开发者提供飞桨全流程开发的最佳实践。目前，该工具代码已开源于GitHub，同时可访问PaddleX在线使用文档，快速查阅读使用教程和API文档说明。

MobileNetV2简介
MobileNetV2是一个图像分类模型，其是基于深度分离卷积和倒置残差结构的网络，能更好地匹配移动和嵌入式设备。本文档在一个小数据集上展示了如何通过PaddleX进行训练和预测。

1. 安装PaddleX
   ! pip install “paddlex<=2.0.0” -i https://mirror.baidu.com/pypi/simple
2. 准备蔬菜分类数据集
   ! wget https://bj.bcebos.com/paddlex/datasets/vegetables_cls.tar.gz
   ! tar xzf vegetables_cls.tar.gz
3. 模型训练
   3.1 配置GPU

设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型）

import matplotlib
matplotlib.use(‘Agg’)
import os
os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0’
import paddlex as pdx
3.2 定义图像处理流程transforms
定义数据处理流程，其中训练和测试需分别定义，训练过程包括了部分测试过程中不需要的数据增强操作，如在本示例中，训练过程使用了RandomCrop和RandomHorizontalFlip两种数据增强方式，更多图像预处理流程transforms的使用可参见paddlex.cls.transforms。
from paddlex.cls import transforms
train_transforms = transforms.Compose([
transforms.RandomCrop(crop_size=224),
transforms.RandomHorizontalFlip(),
transforms.Normalize()
])
eval_transforms = transforms.Compose([
transforms.ResizeByShort(short_size=256),
transforms.CenterCrop(crop_size=224),
transforms.Normalize()
])
3.3 定义数据集Dataset
分类使用ImageNet格式的数据集，因此采用pdx.datasets.ImageNet来加载数据集，该接口的介绍可参见文档paddlex.datasets.ImageNet。
train_dataset = pdx.datasets.ImageNet(
data_dir=‘vegetables_cls’,
file_list=‘vegetables_cls/train_list.txt’,
label_list=‘vegetables_cls/labels.txt’,
transforms=train_transforms,
shuffle=True)
eval_dataset = pdx.datasets.ImageNet(
data_dir=‘vegetables_cls’,
file_list=‘vegetables_cls/val_list.txt’,
label_list=‘vegetables_cls/labels.txt’,
transforms=eval_transforms)
3.4 模型开始训练
使用本数据集在P40上训练，如有GPU，模型的训练过程预估为10分钟左右；如无GPU，则预估为30分钟左右。更多训练模型的参数可参见文档paddlex.cls.MobileNetV2。模型训练过程每间隔save_interval_epochs轮会保存一次模型在save_dir目录下，同时在保存的过程中也会在验证数据集上计算相关指标，具体相关日志参见文档。
AIStudio使用VisualDL查看训练过程中的指标变化

点击左边菜单图标的『可视化』；
设置logdir，logdir的路径为训练代码中save_dir指定的目录下的vdl_log目录，例如output/mobilenetv2/vdl_log
点击下方『启动VisualDL服务按钮』，再『打开VisualDL』即可
num_classes = len(train_dataset.labels)
model = pdx.cls.MobileNetV2(num_classes=num_classes)
model.train(num_epochs=10,
train_dataset=train_dataset,
train_batch_size=32,
eval_dataset=eval_dataset,
lr_decay_epochs=[4, 6, 8],
save_interval_epochs=1,
learning_rate=0.025,
save_dir=‘output/mobilenetv2’,
use_vdl=True)
4 模型预测
此处请在AIStudio Notebook页面的右上角菜单，选择重启执行器，以释放显存，重新加载训练好的模型
import paddlex as pdx
model = pdx.load_model(‘output/mobilenetv2/best_model’)
image_name = ‘vegetables_cls/bocai/100.jpg’
result = model.predict(image_name)
print(“Predict Result:”, result)
5.模型导出：
模型导出文档
paddlex --export_inference --model_dir=./output/deeplabv3p_r50vd/best_model/ --save_dir=./inference_model --fixed_input_shape=[224,224]


连接硬件：

部署api：