gy77

mmcls/mmdet模型部署至 TorchServe

各个文件说明：cls_requests_demo：分类模型请求api服务的demodet_requests_demo：检测模型请求api服务的demoinference：要修改的inference代码mmcls_handler：要修改的mmcls_handler代码torchserve_log：过程中遇到的报错集合。

使用OpenMMLab系列的开源库时，常用的脚本合集。

我们训练完的mmcls，mmdet等模型，保存好的训练权重pth是比较大的。并且里边有两个参数是我们推理的时候用不到的。我们能够看到瘦身前180m，瘦身后92m，跟pytorch官方的resnet50预训练权重差不多大。（会在resnet50.pth文件的同级目录下生成一个resnet50_thin.pth）我们在推理过程中其实只需要state_dict就可以了，里边保存的是我们训练好的权重参数。state_dict：我们模型的参数。optimizer：优化器的参数。meta：训练时的环境配置。

mmcls训练上传并安装在堡垒机中进入你的conda环境（下面的mmclassification改为自己的conda环境名字），然后安装一下就可以了。堡垒机安装mmcv下载mmcv安装包也是同样，去 mmcv GitHub官网 下载mmcv你想要的版本，复制-f后边的网址打开，然后选择自己要装的mmcv版本，下载下来。上传到堡垒机中后安装。堡垒机安装mmclassification1️⃣ ........................