update PULC_person_exists.md

2022-06-02 08:30:23 +00:00 · 2022-06-02 08:30:23 +00:00 · d6cf397380
parent ba330baa32
commit d6cf397380
1 changed files with 213 additions and 197 deletions
--- a/docs/zh_CN/PULC/PULC_person_exists.md
+++ b/docs/zh_CN/PULC/PULC_person_exists.md
@ -1,57 +1,49 @@
 # PULC 有人/无人分类模型

-此处提供了用户使用 PaddleClas 的 超轻量图像分类方案(PULC, Practical Ultra Lightweight Classification) 快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络 PPLCNet、SSLD 预训练权重、EDA 数据增强策略、SKL-UGI 知识蒸馏策略、SHAS 超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。
-
 ------


 ## 目录

- [1. 应用场景介绍](#1)
+- [1. 模型和应用场景介绍](#1)
 - [2. 模型快速体验](#2)
-  - [2.1 PULC 有人/无人分类模型介绍](#2.1)
-  - [2.2 环境配置](#2.2)  
-  - [2.3 模型推理预测](#2.3)
-      - [2.3.1 下载模型](#2.3.1)
-      - [2.3.2 模型推理预测](#2.3.2)
-        - [2.3.2.1 预测单张图像](#2.3.2.1)
-        - [2.3.2.2 基于文件夹的批量预测](#2.3.2.2)
- [3.PULC 有人/无人分类模型训练](#3)
+  - [2.1 环境配置](#2.1)
+  - [2.2 三行命令快速体验](#2.2)  
+- [3. 模型训练、评估和预测](#3)
    - [3.1 数据准备](#3.1)
      - [3.1.1 数据集来源](#3.1.1)
      - [3.1.2 数据集获取](#3.1.2)
    - [3.2 模型训练](#3.2)
-      - [3.2.1 基于默认超参数训练轻量级模型](#3.2.1)
-      - [3.2.2 基于默认超参数训练教师模型](#3.2.2)
-      - [3.2.3 基于默认超参数进行蒸馏训练](#3.2.3) 
- [4. 模型评估与推理部署](#4)
-  - [4.1 模型评估](#4.1)
-  - [4.2 模型预测](#4.2)
-  - [4.3 使用 inference 模型进行推理](#4.3)
-    - [4.3.1 导出 inference 模型](#4.3.1)
-    - [4.3.2 基于 inference 模型 python 推理预测](#4.3.2)
-    - [4.3.3 基于 inference 模型 C++ 推理预测](#4.3.3)
-  - [4.4 基于 Paddle Serving 完成模型服务化部署](#4.4)
-  - [4.5 基于 Paddle Lite 完成模型端侧部署](#4.5)
-    
+    - [3.3 模型评估](#3.3)
+    - [3.4 模型预测](#3.4)
+- [4. 模型压缩](#4)
+  - [4.1 知识蒸馏](#4.1)
+    - [4.1.1 教师模型训练](#4.1.1)
+    - [4.1.2 SKL-UGI知识蒸馏](#4.1.2)
+  - [4.2 模型量化](#4.2)
+- [5. 超参搜索](#5)
+- [6. 模型推理部署](#6)
+  - [6.1 推理模型准备](#6.1)
+    - [6.1.1 导出 inference 模型](#6.1.1)
+    - [6.1.2 直接下载 inference 模型](#6.1.2)
+  - [6.2 基于 Python 预测引擎推理](#6.2)
+    - [6.2.1 预测单张图像](#6.2.1)
+    - [6.2.2 基于文件夹的批量预测](#6.2.2)
+  - [6.3 基于 C++ 预测引擎推理](#6.3)
+  - [6.4 服务化部署](#6.4)
+  - [6.5 端侧部署](#6.5)
+  - [6.6 Paddle2ONNX模型转换与预测](#6.6)
+

 <a name="1"></a>

-## 1. 应用场景介绍
+## 1. 模型和应用场景介绍

 该案例提供了可以产出超轻量级二分类模型的方法。使用该方法训练得到的模型可以快速判断图片中是否有人，该模型可以广泛应用于如监控场景、人员进出管控场景、海量数据过滤场景等。

-<a name="2"></a>
+下表列出了判断图片中是否有人的二分类模型的相关指标，前两行展现了使用 SwinTranformer_tiny 和 MobileNetV3_large_x1_0 作为 backbone 训练得到的模型的相关指标，第三行至第六行依次展现了替换 backbone 为 PPLCNet_x1_0、使用 SSLD 预训练模型、使用 SSLD 预训练模型 + EDA 策略、使用 SSLD 预训练模型 + EDA 策略 + SKL-UGI 知识蒸馏策略训练得到的模型的相关指标。其中，最后一行的模型融合了前边的所有的训练策略, 即为通过 PULC 策略训练得到的模型，该模型与其他较大的模型相比，相同推理速度下拥有更高的精度，相同推理速度下拥有更高的精度。比如，与 SwinTransformer-tiny 相比，PULC 得到的模型在相同精度下，速度快 70+ 倍。训练方法和推理部署方法将在下面详细介绍。

-## 2. 模型快速体验
-
-<a name="2.1"></a>
-
-### 2.1 PULC 有人/无人分类模型介绍
-
-下表列出了判断图片中是否有人的二分类模型的相关指标，其中，最后一行是根据 PULC 策略训练得到的模型，该模型与其他较大的模型相比，相同推理速度下拥有更高的精度，相同推理速度下拥有更高的精度。比如，与 SwinTransformer-tiny 相比，PULC 得到的模型相同在精度下，速度快 70+ 倍。训练方法和推理部署方法将在下面详细介绍。
-
-| 模型 | 精度（%） | 延时（ms） | 存储（M） | 策略 |
+| 模型 | Tpr（%） | 延时（ms） | 存储（M） | 策略 |
 |-------|-----------|----------|---------------|---------------|
 | SwinTranformer_tiny  | <b>95.69<b> | 175.52  | 107 | 使用ImageNet预训练模型 |
 | MobileNetV3_large_x1_0  | <b>91.97<b> | 4.70  | 17 | 使用ImageNet预训练模型 |
@ -59,102 +51,33 @@
 | PPLCNet_x1_0  | <b>92.10<b> | 2.36  | 6.5 | 使用SSLD预训练模型 |
 | PPLCNet_x1_0  | <b>93.43<b> | 2.36  | 6.5 | 使用SSLD预训练模型+EDA策略|
 | <b>PPLCNet_x1_0<b>  | <b>95.60<b> | 2.36  | 6.5 | 使用SSLD预训练模型+EDA策略+SKL-UGI知识蒸馏策略|
+     

-**备注：** 关于PPLCNet的介绍可以参考[PPLCNet介绍](../models/PP-LCNet.md)，相关论文可以查阅[PPLCNet paper](https://arxiv.org/abs/2109.15099)。
+**备注：** 
+    
+* `Tpr`指标的介绍可以参考 [3.2 小节](#3.2)的备注部分，延时是基于 Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz 测试得到，测试过程开启了 MKLDNN 加速策略，线程数为 10。
+* 关于PPLCNet的介绍可以参考[PPLCNet介绍](../models/PP-LCNet.md)，相关论文可以查阅[PPLCNet paper](https://arxiv.org/abs/2109.15099)。

-<a name="2.2"></a>  

-### 2.2 环境配置
+<a name="2"></a>
+
+## 2. 模型快速体验
+
+<a name="2.1"></a>  
+
+### 2.1 环境配置

 * 安装：请先参考 [Paddle 安装教程](../installation/install_paddle.md) 以及 [PaddleClas 安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。
 
-<a name="2.3"></a>       
+<a name="2.2"></a>       

-### 2.3 模型推理预测
+### 2.2 三行命令快速体验
 
-<a name="2.3.1"></a>  
-    
-#### 2.3.1 下载模型
-
-* 进入 `deploy` 运行目录。
-
-```
-cd deploy
-```
-
-下载有人/无人分类的推理模型。
-
-```
-mkdir models
-cd models
-# 下载 inference 模型并解压
-wget https://paddleclas.bj.bcebos.com/models/PULC/person_exists_infer.tar && tar -xf person_exists_infer.tar
-```
-
-解压完毕后，`models` 文件夹下应有如下文件结构：
-
-```
-├── person_exists_infer
-│   ├── inference.pdiparams
-│   ├── inference.pdiparams.info
-│   └── inference.pdmodel
-```
-
-<a name="2.3.2"></a>  
-
-#### 2.3.2 模型推理预测
-
-<a name="2.3.2.1"></a>  
-
-##### 2.3.2.1 预测单张图像
-
-返回 `deploy` 目录：
-
-```
-cd ../
-```
-
-运行下面的命令，对图像 `./images/PULC/person_exists/objects365_02035329.jpg` 进行有人/无人分类。
-
-```shell
-# 使用下面的命令使用 GPU 进行预测
-python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o PostProcess.ThreshOutput.threshold=0.9794
-# 使用下面的命令使用 CPU 进行预测
-python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o PostProcess.ThreshOutput.threshold=0.9794 -o Global.use_gpu=False
-```
-
-输出结果如下。
-
-```
-objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']
-```
-
-
-**备注：** 真实场景中往往需要在假正类率（Fpr）小于某一个指标下求真正类率（Tpr），该场景中的 `val` 数据集在千分之一 Fpr 下得到的最佳 Tpr 所得到的阈值为 `0.9794`，故此处的 `threshold` 为 `0.9794`。该阈值的确定方法可以参考[3.2.1节](#3.2.1)备注部分。
-
-<a name="2.3.2.2"></a>  
-
-#### 2.3.2.2 基于文件夹的批量预测
-
-如果希望预测文件夹内的图像，可以直接修改配置文件中的 `Global.infer_imgs` 字段，也可以通过下面的 `-o` 参数修改对应的配置。
-
-```shell
-# 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
-python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o Global.infer_imgs="./images/PULC/person_exists/"
-```
-
-终端中会输出该文件夹内所有图像的分类结果，如下所示。
-
-```
-objects365_01780782.jpg:	class id(s): [0], score(s): [1.00], label_name(s): ['nobody']
-objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']
-```
-
-其中，`someone` 表示该图里存在人，`nobody` 表示该图里不存在人。
+（pip方式，待补充）

 <a name="3"></a> 

-## 3.PULC 有人/无人分类模型训练
+## 3. 模型训练、评估和预测

 <a name="3.1"></a> 

@ -226,11 +149,8 @@ cd ../

 <a name="3.2"></a> 

-### 3.2 模型训练
+### 3.2 模型训练 

-<a name="3.2.1"></a>  
-
-#### 3.2.1 基于默认超参数训练轻量级模型

 在 `ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml` 中提供了基于该场景的训练配置，可以通过如下脚本启动训练：

@ -250,65 +170,23 @@ python3 -m paddle.distributed.launch \

 * 在eval时，会打印出来当前最佳的 TprAtFpr 指标，具体地，其会打印当前的 `Fpr`、`Tpr` 值，以及当前的 `threshold`值，`Tpr` 值反映了在当前 `Fpr` 值下的召回率，该值越高，代表模型越好。`threshold` 表示当前最佳 `Fpr` 所对应的分类阈值，可用于后续模型部署落地等。

-<a name="3.2.2"></a> 
+<a name="3.3"></a>

-#### 3.2.2 基于默认超参数训练教师模型
-
-复用 `ppcls/configs/PULC/person_exists/PPLCNet/PPLCNet_x1_0.yaml` 中的超参数，训练教师模型，训练脚本如下：
-
-```shell
-export CUDA_VISIBLE_DEVICES=0,1,2,3
-python3 -m paddle.distributed.launch \
-    --gpus="0,1,2,3" \
-    tools/train.py \
-        -c ./ppcls/configs/PULC/person_exists/PPLCNet/PPLCNet_x1_0.yaml \
-        -o Arch.name=ResNet101_vd
-```
-
-验证集的最佳指标为 `0.96-0.98` 之间，当前教师模型最好的权重保存在 `output/ResNet101_vd/best_model.pdparams`。
-
-<a name="3.2.3"></a> 
-
-#### 3.2.3 基于默认超参数进行蒸馏训练
-
-配置文件`ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml`提供了`SKL-UGI知识蒸馏策略`的配置。该配置将`ResNet101_vd`当作教师模型，`PPLCNet_x1_0`当作学生模型，使用ImageNet数据集的验证集作为新增的无标签数据。训练脚本如下：
-
-```shell
-export CUDA_VISIBLE_DEVICES=0,1,2,3
-python3 -m paddle.distributed.launch \
-    --gpus="0,1,2,3" \
-    tools/train.py \
-        -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml \
-        -o Arch.models.0.Teacher.pretrained=output/ResNet101_vd/best_model
-```
-
-验证集的最佳指标为 `0.95-0.97` 之间，当前模型最好的权重保存在 `output/DistillationModel/best_model_student.pdparams`。
-
-
-**备注：** 
-
-* 此时的默认超参数是经过`SHAS超参数搜索策略`得到的，关于此部分内容，可以参考[SHAS 超参数搜索策略](#TODO待添加链接)。
-
-
-<a name="4"></a>
-
-## 4. 模型评估与推理部署
-
-<a name="4.1"></a> 
-
-### 4.1 模型评估
+### 3.3 模型评估

 训练好模型之后，可以通过以下命令实现对模型指标的评估。

 ```bash
 python3 tools/eval.py \
    -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml \
-    -o Global.pretrained_model="output/DistillationModel/best_model_student"
+    -o Global.pretrained_model="output/DPPLCNet_x1_0/best_model"
 ```

-<a name="4.2"></a> 
+其中 `-o Global.pretrained_model="output/PPLCNet_x1_0/best_model"` 指定了当前最佳权重所在的路径，如果指定其他权重，只需替换对应的路径即可。

-### 4.2 模型预测
+<a name="3.4"></a>
+
+### 3.4 模型预测

 模型训练完成之后，可以加载训练得到的预训练模型，进行模型预测。在模型库的 `tools/infer.py` 中提供了完整的示例，只需执行下述命令即可完成模型预测：

@ -326,21 +204,84 @@ python3 tools/infer.py \
 ```

 **备注：** 
+
+* 这里`-o Global.pretrained_model="output/PPLCNet_x1_0/best_model"` 指定了当前最佳权重所在的路径，如果指定其他权重，只需替换对应的路径即可。
    
 * 默认是对 `deploy/images/PULC/person_exists/objects365_02035329.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
    
 * 这里的 `Infer.PostProcess.threshold` 的值需要根据实际场景来确定，此处的 `0.9794` 是在该场景中的 `val` 数据集在千分之一 Fpr 下得到的最佳 Tpr 所得到的。

-<a name="4.3"></a> 
+<a name="4"></a>

-### 4.3 使用 inference 模型进行推理
+## 4. 模型压缩

-<a name="4.3.1"></a> 
+<a name="4.1"></a>

-### 4.3.1 导出 inference 模型
+### 4.1 知识蒸馏

-通过导出 inference 模型，PaddlePaddle 支持使用预测引擎进行预测推理。接下来介绍如何用预测引擎进行推理：
-首先，对训练好的模型进行转换：
+<a name="4.1.1"></a> 
+
+#### 4.1.1 教师模型训练
+
+复用 `ppcls/configs/PULC/person_exists/PPLCNet/PPLCNet_x1_0.yaml` 中的超参数，训练教师模型，训练脚本如下：
+
+```shell
+export CUDA_VISIBLE_DEVICES=0,1,2,3
+python3 -m paddle.distributed.launch \
+    --gpus="0,1,2,3" \
+    tools/train.py \
+        -c ./ppcls/configs/PULC/person_exists/PPLCNet/PPLCNet_x1_0.yaml \
+        -o Arch.name=ResNet101_vd
+```
+
+验证集的最佳指标为 `0.96-0.98` 之间，当前教师模型最好的权重保存在 `output/ResNet101_vd/best_model.pdparams`。
+
+<a name="4.1.2"></a> 
+
+####  4.1.2 SKL-UGI知识蒸馏
+
+配置文件`ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml`提供了`SKL-UGI知识蒸馏策略`的配置。该配置将`ResNet101_vd`当作教师模型，`PPLCNet_x1_0`当作学生模型，使用ImageNet数据集的验证集作为新增的无标签数据。训练脚本如下：
+
+```shell
+export CUDA_VISIBLE_DEVICES=0,1,2,3
+python3 -m paddle.distributed.launch \
+    --gpus="0,1,2,3" \
+    tools/train.py \
+        -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml \
+        -o Arch.models.0.Teacher.pretrained=output/ResNet101_vd/best_model
+```
+
+验证集的最佳指标为 `0.95-0.97` 之间，当前模型最好的权重保存在 `output/DistillationModel/best_model_student.pdparams`。
+
+<a name="4.2"></a> 
+
+### 4.2 模型量化
+
+PaddleClas 提供了基于 [PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim) 的模型量化示例，量化后的模型体积更小、推理速度更快。您可以参考[模型量化教程](#TODO)来完成该模型的量化。
+
+<a name="5"></a> 
+
+## 5. 超参搜索
+
+在 [3.2 节](#3.1)和 [4.1](#4.1) 节所使用的超参数是根据PaddleClas提供的 `SHAS超参数搜索策略` 搜索得到的，如果希望在自己的数据集上得到更好的结果，可以参考[SHAS超参数搜索策略](#TODO)来获得更好的训练超参数。
+
+**备注：** 此部分内容是可选内容，搜索过程需要较长的时间，您可以根据自己的硬件情况来选择执行。如果没有更换数据集，可以忽略此节内容。
+
+<a name="6"></a>
+
+## 6. 模型推理部署
+
+<a name="6.1"></a> 
+
+### 6.1 推理模型准备
+
+PaddlePaddle 支持使用预测引擎对 inference 模型进行预测推理。本节提供了两种得到 inference 模型的方法，如果希望得到和文档相同的结果，请选择直接下载 inference 模型的方式。
+
+<a name="6.1.1"></a> 
+
+### 6.1.1 导出 inference 模型
+
+此处，我们提供了将权重和模型转换的脚本，执行该脚本可以得到对应的 inference 模型：

 ```bash
 python3 tools/export_model.py \
@ -348,38 +289,113 @@ python3 tools/export_model.py \
    -o Global.pretrained_model=output/DistillationModel/best_model_student \
    -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_person_exists_infer
 ```
-执行完该脚本后会在 `deploy/models/` 下生成 `PPLCNet_x1_0_person_exists_infer` 文件夹，该文件夹中的模型与 [2.3 节](#2.3)下载的推理预测模型格式一致。
-
-<a name="4.3.2"></a> 
-
-### 4.3.2 基于 inference 模型 python 推理预测
-
-推理预测的脚本为：
+执行完该脚本后会在 `deploy/models/` 下生成 `PPLCNet_x1_0_person_exists_infer` 文件夹，`models` 文件夹下应有如下文件结构：

 ```
-python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o Global.inference_model_dir="models/PPLCNet_x1_0_person_exists_infer" -o PostProcess.ThreshOutput.threshold=0.9794
+├── PPLCNet_x1_0_person_exists_infer
+│   ├── inference.pdiparams
+│   ├── inference.pdiparams.info
+│   └── inference.pdmodel
 ```

-**备注：**
+**备注：** 此处的最佳权重是经过知识蒸馏后的权重路径，如果没有执行知识蒸馏的步骤，最佳模型保存在`output/PPLCNet_x1_0/best_model.pdparams`中。

- 此处的 `PostProcess.ThreshOutput.threshold` 由eval时的最佳 `threshold` 来确定。
- 更多关于推理的细节，可以参考[2.3节](#2.3)。
+<a name="6.1.2"></a> 

-<a name="4.3.3"></a>
+### 6.1.2 直接下载 inference 模型

-### 4.3.3 基于 inference 模型 C++ 推理预测
+[6.1.1 小节](#6.1.1)提供了导出 inference 模型的方法，此处也提供了该场景可以下载的 inference 模型，可以直接下载体验。

-PaddleClas 提供了 C++ 推理预测的示例，您可以参考[服务器端 C++ 预测](../inference_deployment/cpp_deploy.md)来完成相应的推理部署。如果您使用的是Windows平台，可以参考[基于 Visual Studio 2019 Community CMake 编译指南](inference_deployment/cpp_deploy_on_windows.md)完成相应的预测库编译和模型预测工作。
+```
+cd deploy/models
+# 下载 inference 模型并解压
+wget https://paddleclas.bj.bcebos.com/models/PULC/person_exists_infer.tar && tar -xf person_exists_infer.tar
+```

-<a name="4.4"></a>
+解压完毕后，`models` 文件夹下应有如下文件结构：

-### 4.4 基于 Paddle Serving 完成模型服务化部署
+```
+├── person_exists_infer
+│   ├── inference.pdiparams
+│   ├── inference.pdiparams.info
+│   └── inference.pdmodel
+```
+
+<a name="6.2"></a> 
+
+### 6.2 基于 Python 预测引擎推理
+
+
+<a name="6.2.1"></a>  
+
+#### 6.2.1 预测单张图像
+
+返回 `deploy` 目录：
+
+```
+cd ../
+```
+
+运行下面的命令，对图像 `./images/PULC/person_exists/objects365_02035329.jpg` 进行有人/无人分类。
+
+```shell
+# 使用下面的命令使用 GPU 进行预测
+python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o PostProcess.ThreshOutput.threshold=0.9794
+# 使用下面的命令使用 CPU 进行预测
+python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o PostProcess.ThreshOutput.threshold=0.9794 -o Global.use_gpu=False
+```
+
+输出结果如下。
+
+```
+objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']
+```
+
+
+**备注：** 真实场景中往往需要在假正类率（Fpr）小于某一个指标下求真正类率（Tpr），该场景中的 `val` 数据集在千分之一 Fpr 下得到的最佳 Tpr 所得到的阈值为 `0.9794`，故此处的 `threshold` 为 `0.9794`。该阈值的确定方法可以参考[3.2节](#3.2)备注部分。
+
+<a name="6.2.2"></a>  
+
+#### 6.2.2 基于文件夹的批量预测
+
+如果希望预测文件夹内的图像，可以直接修改配置文件中的 `Global.infer_imgs` 字段，也可以通过下面的 `-o` 参数修改对应的配置。
+
+```shell
+# 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
+python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o Global.infer_imgs="./images/PULC/person_exists/"
+```
+
+终端中会输出该文件夹内所有图像的分类结果，如下所示。
+
+```
+objects365_01780782.jpg:	class id(s): [0], score(s): [1.00], label_name(s): ['nobody']
+objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']
+```
+
+其中，`someone` 表示该图里存在人，`nobody` 表示该图里不存在人。
+
+<a name="6.3"></a> 
+
+### 6.3 基于 C++ 预测引擎推理
+
+PaddleClas 提供了基于 C++ 预测引擎推理的示例，您可以参考[服务器端 C++ 预测](../inference_deployment/cpp_deploy.md)来完成相应的推理部署。如果您使用的是 Windows 平台，可以参考[基于 Visual Studio 2019 Community CMake 编译指南](inference_deployment/cpp_deploy_on_windows.md)完成相应的预测库编译和模型预测工作。
+
+<a name="6.4"></a> 
+
+### 6.4 服务化部署

 PaddleClas 提供了基于 Paddle Serving 来完成模型服务化部署的示例，您可以参考[模型服务化部署](../inference_deployment/paddle_serving_deploy.md)来完成相应的部署工作。

-<a name="4.5"></a>
+<a name="6.5"></a> 

-### 4.5 基于 Paddle Lite 完成模型端侧部署
+### 6.5 端侧部署

 PaddleClas 提供了基于 Paddle Lite 来完成模型端侧部署的示例，您可以参考[端侧部署](../inference_deployment/paddle_lite_deploy.md)来
 完成相应的部署工作。
+
+<a name="6.6"></a> 
+
+### 6.6 Paddle2ONNX模型转换与预测
+
+PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并做推理预测的示例，您可以参考[Paddle2ONNX模型转换与预测](@shuilong)来
+完成相应的部署工作。