在PaddlePaddle中预测引擎和训练引擎底层有着不同的优化方法, 预测引擎使用了AnalysisPredictor，专门针对推理进行了优化，是基于C++预测库的Python接口，该引擎可以对模型进行多项图优化，减少不必要的内存拷贝。如果用户在部署已训练模型的过程中对性能有较高的要求，我们提供了独立于PaddleDetection的预测脚本，方便用户直接集成部署。
主要包含两个步骤：
- 导出预测模型
- 基于Python进行预测
PaddleDetection在训练过程包括网络的前向和优化器相关参数，而在部署过程中，我们只需要前向参数，具体参考:导出模型
导出后目录下，包括infer_cfg.yml, model.pdiparams, model.pdiparams.info, model.pdmodel四个文件。
在终端输入以下命令进行预测：
python deploy/python/infer.py --model_dir=./output_inference/yolov3_mobilenet_v1_roadsign --image_file=./demo/road554.png --device=GPU参数说明如下:
| 参数 | 是否必须 | 含义 |
|---|---|---|
| --model_dir | Yes | 上述导出的模型路径 |
| --image_file | Option | 需要预测的图片 |
| --image_dir | Option | 要预测的图片文件夹路径 |
| --video_file | Option | 需要预测的视频 |
| --camera_id | Option | 用来预测的摄像头ID，默认为-1(表示不使用摄像头预测，可设置为：0 - (摄像头数目-1) )，预测过程中在可视化界面按q退出输出预测结果到：output/output.mp4 |
| --device | Option | 运行时的设备，可选择CPU/GPU/XPU，默认为CPU |
| --run_mode | Option | 使用GPU时，默认为paddle, 可选（paddle/trt_fp32/trt_fp16/trt_int8） |
| --batch_size | Option | 预测时的batch size，在指定image_dir时有效，默认为1 |
| --threshold | Option | 预测得分的阈值，默认为0.5 |
| --output_dir | Option | 可视化结果保存的根目录，默认为output/ |
| --run_benchmark | Option | 是否运行benchmark，同时需指定--image_file或--image_dir，默认为False |
| --enable_mkldnn | Option | CPU预测中是否开启MKLDNN加速，默认为False |
| --cpu_threads | Option | 设置cpu线程数，默认为1 |
| --trt_calib_mode | Option | TensorRT是否使用校准功能，默认为False。使用TensorRT的int8功能时，需设置为True，使用PaddleSlim量化后的模型时需要设置为False |
说明：
- 参数优先级顺序：
camera_id>video_file>image_dir>image_file。 - run_mode：paddle代表使用AnalysisPredictor，精度float32来推理，其他参数指用AnalysisPredictor，TensorRT不同精度来推理。
- 如果安装的PaddlePaddle不支持基于TensorRT进行预测，需要自行编译，详细可参考预测库编译教程。
- --run_benchmark如果设置为True，则需要安装依赖
pip install pynvml psutil GPUtil。