部署自己训练的模型报错

[CashBai]

模型类型为PP-YOLOE_plus-L Inference.yml文件内容如下：

mode: paddle
draw_threshold: 0.5
metric: COCO
use_dynamic_shape: false
Global:
  pipeline_name: PP-YOLOE_plus-L
  model_name: PP-YOLOE_plus-L
arch: YOLO
min_subgraph_size: 3
Preprocess:
- interp: 2
  keep_ratio: false
  target_size:
  - 640
  - 640
  type: Resize
- mean:
  - 0.0
  - 0.0
  - 0.0
  norm_type: none
  std:
  - 1.0
  - 1.0
  - 1.0
  type: NormalizeImage
- type: Permute
label_list:
- pink
- black
- blue
Hpi:
  backend_config:
    openvino:
      cpu_num_threads: 8
    paddle_infer:
      cpu_num_threads: 8
      enable_log_info: false
    paddle_tensorrt:
      dynamic_shapes:
        im_shape:
        - - 1
          - 2
        - - 1
          - 2
        - - 1
          - 2
        image:
        - &id001
          - 1
          - 3
          - 640
          - 640
        - *id001
        - *id001
        scale_factor:
        - - 1
          - 2
        - - 1
          - 2
        - - 1
          - 2
      enable_log_info: false
      max_batch_size: 1
  selected_backends:
    cpu: openvino
    gpu: paddle_tensorrt
  supported_backends:
    cpu:
    - paddle_infer
    - openvino
    gpu:
    - paddle_infer
    - paddle_tensorrt

报错如下：

[zhang-prog]

在 Inference.yml 中新增如下内容

......
Pipeline:
  model: 这里修改为微调后模型的本地路径
  device: "gpu"
  batch_size: 1
Global:
  pipeline_name: object_detection
  model_name: PP-YOLOE_plus-L
......

更多详情请参考 通用目标检测产线使用教程 的 4.二次开发 部分

[CashBai]

@zhang-prog 这是个bug吗？后续会修复吗？

[zhang-prog]

不是bug，使用自训练的模型是需要加这些配置的。详细可以看 通用目标检测产线使用教程 的 4.二次开发 部分

[zhang-prog]

抱歉，上述方法有误，正确方法应该参考 通用目标检测产线使用教程 的 2.2 本地体验 ，具体步骤如下：

1. 生成目标检测产线配置文件

   paddlex --get_pipeline_config object_detection --save_path ./

2. 修改 object_detection.yaml 中的 model 为自训练模型的本地路径，类似

   
   Global:
   pipeline_name: object_detection
   input: https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_object_detection_002.png

Pipeline: model: ./PP-YOLOE_plus-L batch_size: 1

3. 然后在 `create_pipeline` 时使用 `object_detection.yaml`：

from paddlex import create_pipeline pipeline = create_pipeline(pipeline="./object_detection.yaml") output = pipeline.predict("general_object_detection_002.png") for res in output: res.print() ## 打印预测的结构化输出 res.save_to_img("./output/") ## 保存结果可视化图像 res.save_to_json("./output/") ## 保存预测的结构化输出