2.將模型轉換為paddle-lite支持的模型。在百度工作室運行，上壹步的代碼。
Paddle _ lite _ opt-model _ fie =您的模型方法。
- param_file= =您的權重路徑
- valid_targets=arm
-optimize _ out _ type = naive _ buffer
- optimize_out= =妳想要的輸出nb模型的方式和名稱。
3.執行以下分類代碼並修改您的參數。
從paddlelite.lite導入*
導入cv2
將numpy作為np導入
導入系統
導入時間
從PIL進口圖片
從PIL導入圖像字體
從PIL進口ImageDraw
#負載模型
定義創建預測器(模型目錄):
config = MobileConfig()
配置文件(模型目錄)
predictor = create _ paddle _ predictor(配置)
回報預測器
#圖像標準化處理
def process_img(image，input_image_size):
原點=圖像
img = origin . resize(input _ Image _ size，圖像。雙線性)
resized_img = img.copy()
if img.mode！= 'RGB ':
img = img.convert('RGB ')
img = np.array(img)。astype('float32 ')。轉置((2，0，1)) # HWC到CHW
img -= 127.5
img *= 0.007843
img = img[np.newaxis，:]
返回原點，img
#預測
def predict(圖像，預測值，輸入圖像大小):
#輸入數據處理
input _ tensor = predictor . get _ input(0)
input_tensor.resize([1，3，input_image_size[0]，input_image_size[1]])
image = image . from array(cv2 . CVT color(image，cv2。COLOR_BGRA2RGBA))
origin，img = process_img(圖像，輸入圖像大小)
image_data = np.array(img)。展平()。tolist()
輸入_張量.設置_浮點_數據(圖像_數據)
#執行預測
predictor.run()
#獲取輸出
output _ tensor = predictor . get _ output(0)
print(" output_tensor.float_data()[:]:"，output _ tensor . float _ data()[:])
RES = output _ tensor . float _ data()[:]
返回資源
#顯示結果
def post_res(label_dict，res):
打印(最大分辨率)
target_index = res.index(max(res))
print(" Result:"+" "+label _ dict[target _ index])
if __name__ == '__main__ ':
#初始定義
label_dict = {0:"金屬"，1:"紙"，2:"塑料"，3:"玻璃" }
image = "。/test _ pic/images _ original/glass/glass 300 . jpg "
模型_目錄= "。/trained _ model/resnet 50 _ trash _ x86 _ model . nb "
圖像大小= (224，224)
#初始化
預測值=創建預測值(模型方向)
#讀入圖片
image = cv2.imread(image)
#預測
res = predict(圖像，預測值，圖像大小)
#顯示結果
post_res(標簽_字典，資源)
cv2.imshow("image "，圖像)
cv2.waitKey()