PaddlePaddle学习之使用PaddleDetection在树莓派4B进行模型部署（一）— 项目环境搭建
PaddlePaddle学习之使用PaddleDetection在树莓派4B进行模型部署（二）— 深度学习模型训练
PaddlePaddle学习之使用PaddleDetection在树莓派4B进行模型部署（三）— 树莓派4B部署
此项目已公开，包括数据集在内已经打包上传，欢迎Fork！传送门：Paddle_ssd_mobilenet_v1_pascalvoc
本文将使用ssd_mobilenet_v1_voc算法，以一个例子为说明如何利用paddleDetection完成一个项目----从准备数据集到完成树莓派部署，项目用到的工具是百度的AI Studio在线AI开发平台和树莓派4B
全部资料已经都打包在这里（PaddleDetection、Paddle-Lite-Demo、Paddle-Lite、opt）
链接：https://pan.baidu.com/s/1IKT-ByVN9BaVxfqQC1VaMw
提取码：mdd1
环境配置
#安装Python依赖库
!pip install -r requirements.txt
#测试项目环境
!export PYTHONPATH=`pwd`:$PYTHONPATH
!python ppdet/modeling/tests/test_architectures.py
出现 No module named ‘ppdet’ 是环境配置的问题，有两种解决办法：
- 设置环境变量
%env PYTHONPATH=/home/aistudio/PaddleDetection
- 找到报错的文件添加以下代码
import sys
DIR = '/home/aistudio/PaddleDetection'
sys.path.append(DIR)
测试环境通过后，就可以开始训练了
开始训练
训练命令如下：
%cd home/aistudio/PaddleDetection/
!python -u tools/train.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --use_tb=True --eval
训练完成后输出的模型保存在 ./PaddleDetection/output/ssd_mobilenet_v1_voc 文件夹下，本次训练总轮数默认为28000轮，每隔2000轮保存一次模型，以轮次命名的均为阶段性模型，model_final为训练结束时保存的模型，best_model是每次评估后的最佳mAP模型
#测试，查看模型效果
%cd home/aistudio/PaddleDetection/
!python tools/infer.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --infer_img=/home/aistudio/2001.jpg#infer_img输入需要预测图片的路径，看一下效果
模型转换
接下来，需要将原生模型转化为预测模型
!python -u tools/export_model.py -c configs/ssd/ssd_mobilenet_v1_voc.yml --output_dir=./inference_model_final
生成的预测模型保存在 ./PaddleDetection/inference_model_final/ssd_mobilenet_v1_voc 文件夹下，会生成两个文件，模型文件名和参数文件名分别为__model__和__params__
由于部署到树莓派4B上需要使用Paddle-Lite，而PaddlePaddle的原生模型需要经过opt工具转化为Paddle-Lite可以支持的naive_buffer格式
%cd /home/aistudio/
#复制opt文件到相应目录下
!cp opt /home/aistudio/PaddleDetection/inference_model_final/ssd_mobilenet_v1_voc
#进入预测模型文件夹
%cd /home/aistudio/PaddleDetection/inference_model_final/ssd_mobilenet_v1_voc
#下载opt文件
#!wget https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.3.0/opt
#给opt加上可执行权限
!chmod +x opt
#使用opt进行模型转化,将__model__和__params__转化为model.nb
!./opt --model_file=__model__ --param_file=__params__ --optimize_out_type=naive_buffer --optimize_out=./model
!ls
这个opt自己下载实在是太慢了，因此我在网盘里已经准备好了opt文件，可以直接上传至AI Studio操作，最终结果如下图所示：
到目前为止，在AI Studio上的所有内容已经完成，文章（一）（二）的目的就是为了生成这个model.nb文件，将其部署在树莓派4B上使用。
参考资料
