add new docs and update configs

deploy/configs/inference_cls.yaml

 
 Global:
-  infer_imgs: "../docs/images/whl/demo.jpg"
-  inference_model_dir: "../inference/"
+  infer_imgs: "./images/ILSVRC2012_val_00000010.jpeg"
+  inference_model_dir: "./models"
   batch_size: 1
   use_gpu: True
   enable_mkldnn: True

deploy/configs/inference_det.yaml

+Global:
+  infer_imgs: "./images/wangzai.jpg"
+  det_inference_model_dir: "./models/ppyolov2_r50vd_dcn_mainbody_v1.0_infer"
+  batch_size: 1
+  image_shape: [3, 640, 640]
+  threshold: 0.2
+  max_det_results: 1
+  labe_list:
+  - foreground
+
+  # inference engine config
+  use_gpu: True
+  enable_mkldnn: True
+  cpu_num_threads: 100
+  enable_benchmark: True
+  use_fp16: False
+  ir_optim: True
+  use_tensorrt: False
+  gpu_mem: 8000
+  enable_profile: False
+
+DetPreProcess:
+  transform_ops:
+    - DetResize:
+        interp: 2
+        keep_ratio: false
+        target_size: [640, 640]
+    - DetNormalizeImage:
+        is_scale: true
+        mean: [0.485, 0.456, 0.406]
+        std: [0.229, 0.224, 0.225]
+    - DetPermute: {}
+DetPostProcess: {}

deploy/configs/inference_rec.yaml

 Global:
-  infer_imgs: "images/coco_000000570688.jpg"
-  # infer_imgs: "../docs/images/whl/demo.jpg"
-  det_inference_model_dir: "./ppyolov2_r50vd_dcn_365e_mainbody_infer/"
-  rec_inference_model_dir: "./MobileNetV1_infer/"
+  infer_imgs: "./images/wangzai.jpg"
+  rec_inference_model_dir: "./models/product_ResNet50_vd_aliproduct_v1.0_infer"
   batch_size: 1
   image_shape: [3, 640, 640]
   threshold: 0.5
@@ -21,21 +19,6 @@ Global:
   gpu_mem: 8000
   enable_profile: False
 
-DetPreProcess:
-  transform_ops:
-    - DetResize:
-        interp: 2
-        keep_ratio: false
-        target_size: [640, 640]
-    - DetNormalizeImage:
-        is_scale: true
-        mean: [0.485, 0.456, 0.406]
-        std: [0.229, 0.224, 0.225]
-    - DetPermute: {}
-
-DetPostProcess: {}
-
-
 RecPreProcess:
   transform_ops:
     - ResizeImage:
@@ -50,20 +33,3 @@ RecPreProcess:
     - ToCHWImage:
 
 RecPostProcess: null
-
-
-# indexing engine config
-IndexProcess:
-  build:  
-    enable: True
-    index_path: "./logo_index/"
-    image_root: "dataset/LogoDet-3K-crop/train"
-    data_file: "dataset/LogoDet-3K-crop/LogoDet-3K+train.txt"
-    spacer: " "
-    dist_type: "IP"
-    pq_size: 100
-    embedding_size: 1000
-  infer:
-    index_path: "./logo_index/"
-    search_budget: 100
-    return_k: 10

deploy/python/predict_rec.py

@@ -68,7 +68,7 @@ def main(config):
         output = rec_predictor.predict(img)
         if rec_predictor.postprocess is not None:
             output = rec_predictor.postprocess(output)
-        print(output.shape)
+        print(output)
     return
 
 

docs/zh_CN/inference.md

+
+# 基于Python预测引擎推理
+
+inference 模型（`paddle.jit.save`保存的模型）
+一般是模型训练，把模型结构和模型参数保存在文件中的固化模型，多用于预测部署场景。
+训练过程中保存的模型是checkpoints模型，保存的只有模型的参数，多用于恢复训练等。
+与checkpoints模型相比，inference 模型会额外保存模型的结构信息，在预测部署、加速推理上性能优越，灵活方便，适合于实际系统集成。
+
+接下来首先介绍如何将训练的模型转换成inference模型，然后将依次介绍主体检测、特征提取以及两者串联在CPU、GPU上的预测方法，最后介绍了图像分类的预测方法。
+
+
+- [一、训练模型转inference模型](#训练模型转inference模型)
+    - [1. 特征提取模型转inference模型](#特征提取模型转inference模型)  
+    - [2. 分类模型转inference模型](#分类模型转inference模型)
+
+- [二、主体检测模型推理](#主体检测模型推理)
+
+- [三、特征提取模型推理](#特征提取模型推理)
+
+- [四、主体检测、特征提取和向量检索串联](#主体检测、特征提取和向量检索串联)
+
+- [五、图像分类模型推理](#图像分类模型推理)
+
+
+<a name="训练模型转inference模型"></a>
+## 一、训练模型转inference模型
+
+<a name="特征提取模型转inference模型"></a>
+### 特征提取模型转inference模型
+以下命令请在PaddleClas的根目录执行。以商品识别特征提取模型模型为例，首先下载预训练模型：
+
+```shell script
+wget -P ./product_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/pretrain/product_ResNet50_vd_Aliproduct_v1.0_pretrained.pdparams
+```
+
+上述模型是ResNet50_vd在AliProduct上训练的模型，训练使用的配置文件为ppcls/configs/Products/ResNet50_vd_Aliproduct.yaml
+将训练好的模型转换成inference模型只需要运行如下命令：
+``` shell script
+# -c 后面设置训练算法的yml配置文件
+# -o 配置可选参数
+# Global.pretrained_model 参数设置待转换的训练模型地址，不用添加文件后缀 .pdmodel，.pdopt或.pdparams。
+# Global.save_inference_dir参数设置转换的模型将保存的地址。
+
+python3.7 tools/export_model.py -c ppcls/configs/Products/ResNet50_vd_Aliproduct.yaml -o Global.pretrained_model=./product_pretrain/product_ResNet50_vd_Aliproduct_v1.0_pretrained Global.save_inference_dir=./deploy/models/product_ResNet50_vd_aliproduct_v1.0_infer
+```
+
+这里也可以使用自己训练的模型。转inference模型时，使用的配置文件和训练时使用的配置文件相同。另外，还需要设置配置文件中的`Global.pretrained_model`参数，其指向训练中保存的模型参数文件。
+转换成功后，在模型保存目录下有三个文件：
+``` 
+├── product_ResNet50_vd_aliproduct_v1.0_infer
+│   ├── inference.pdiparams         # 识别inference模型的参数文件
+│   ├── inference.pdiparams.info    # 识别inference模型的参数信息，可忽略
+│   └── inference.pdmodel           # 识别inference模型的program文件
+```
+
+<a name="分类模型转inference模型"></a>
+### 分类模型转inference模型
+
+下载预训练模型：
+``` shell script
+wget -P ./cls_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/ResNet50_vd_pretrained.pdparams
+```
+
+上述模型是使用ResNet50_vd在ImageNet上训练的模型，使用的配置文件为`ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml`。
+转inference模型与特征提取模型的方式相同，如下：
+```
+# -c 后面设置训练算法的yml配置文件
+# -o 配置可选参数
+# Global.pretrained_model 参数设置待转换的训练模型地址，不用添加文件后缀 .pdmodel，.pdopt或.pdparams。
+# Global.save_inference_dir参数设置转换的模型将保存的地址。
+
+python3.7 tools/export_model.py -c ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml -o Global.pretrained_model=./cls_pretrain/ResNet50_vd_pretrained  Global.save_inference_dir=./deploy/models/class_ResNet50_vd_ImageNet_infer
+```
+
+**注意：**如果您是在自己的数据集上训练的模型，并且调整了中文字符的字典文件，请注意修改配置文件中的`character_dict_path`是否是所需要的字典文件。
+
+转换成功后，在目录下有三个文件：
+```
+├── class_ResNet50_vd_ImageNet_infer
+│   ├── inference.pdiparams         # 识别inference模型的参数文件
+│   ├── inference.pdiparams.info    # 识别inference模型的参数信息，可忽略
+│   └── inference.pdmodel           # 识别inference模型的program文件
+```
+
+<a name="主体检测模型推理"></a>
+## 二、主体检测模型推理
+
+下面介绍主体检测模型推理，以下命令请进入PaddleClas的deploy目录执行：
+```shell script
+cd deploy
+```
+使用PaddleClas提供的主体检测Inference模型进行推理，可以执行：
+
+```shell script
+mkdir -p models
+cd models
+# 下载通用检测inference模型并解压
+wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/ppyolov2_r50vd_dcn_mainbody_v1.0_infer.tar && tar -xf ppyolov2_r50vd_dcn_mainbody_v1.0_infer.tar
+cd ..
+
+# 用下载的inference模型进行预测
+python3.7 python/predict_det.py -c configs/inference_det.yaml
+```
+输入的图像如下所示。
+[](../images/recognition/product_demo/wangzai.jpg)
+最终输出结果如下：
+```text
+[{'class_id': 0, 'score': 0.4762245, 'bbox': array([305.55115, 226.05322, 776.61084, 930.42395], 
+dtype=float32), 'label_name': 'foreground'}]
+```
+检测的可视化结果如下：
+[](../images/recognition/product_demo/wangzai_det_result.jpg)
+
+如果想要修改图像，可以在configs/inference_det.yaml中，修改infer_imgs的值，或使用-o Global.infer_imgs修改，
+例如，要使用`images/anmuxi.jpg`可以运行：
+
+```shell script
+python3.7 python/predict_det.py -c configs/inference_det.yaml -o Global.infer_imgs=images/anmuxi.jpg
+```
+
+如果想使用CPU进行预测，可以将配置文件中use_gpu选项设置为False，或者执行命令：
+```
+python3 tools/infer/predict_det.py  -o Global.use_gpu=False
+```
+
+## 三、特征提取模型推理
+
+下面以商品特征提取为例，介绍特征提取模型推理。其他应用可以参考图像识别快速开始中的[模型地址](./tutorials/quick_start_recognition.md#2-%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB%E4%BD%93%E9%AA%8C)，
+将链接替换为相应模型的链接。以下命令请进入PaddleClas的deploy目录执行：
+```shell script
+cd deploy
+```
+使用PaddleClas提供的商品特征提取Inference模型进行推理，可以执行：
+
+```shell script
+mkdir -p models
+cd models
+# 下载商品特征提取inference模型并解压
+wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/product_ResNet50_vd_aliproduct_v1.0_infer.tar && tar -xf product_ResNet50_vd_aliproduct_v1.0_infer.tar
+cd ..
+
+# 用下载的inference模型进行预测
+python3.7 python/predict_rec.py -c configs/inference_rec.yaml
+```
+
+如果想要修改图像，可以在configs/inference_det.yaml中，修改infer_imgs的值，或使用-o Global.infer_imgs修改，
+例如，要使用`images/anmuxi.jpg`可以运行：
+
+```shell script
+python3.7 python/predict_rec.py -c configs/inference_rec.yaml -o Global.infer_imgs=images/anmuxi.jpg
+```
+
+如果想使用CPU进行预测，可以将配置文件中use_gpu选项设置为False，或者执行命令：
+```
+python3 tools/infer/predict_rec.py  -o Global.use_gpu=False
+```
+
+<a name="主体检测、特征提取和向量检索串联"></a>
+## 四、主体检测、特征提取和向量检索串联
+主体检测、特征提取和向量检索的串联预测，可以参考[图像识别快速体验](./tutorials/quick_start_recognition.md)
+
+<a name="图像分类模型推理"></a>
+## 五、图像分类模型推理
+
+下面介绍图像分类模型推理，以下命令请进入PaddleClas的deploy目录执行：
+```shell script
+cd deploy
+```
+使用PaddleClas提供的商品特征提取Inference模型进行推理，首先请下载预训练模型并导出inference模型，具体参见[2. 分类模型转inference模型](#分类模型转inference模型)。
+
+导出inference模型后，可以使用下面的命令预测：
+```shell script
+
+python3.7 python/predict_cls.py -c configs/inference_rec.yaml
+```
+
+如果想要修改图像，可以在configs/inference_det.yaml中，修改infer_imgs的值，或使用-o Global.infer_imgs修改，
+例如，要使用`images/ILSVRC2012_val_00010010.jpeg`可以运行：
+
+```shell script
+python3.7 python/predict_cls.py -c configs/inference_rec.yaml -o Global.infer_imgs=images/ILSVRC2012_val_00010010.jpeg
+
+```
+
+如果想使用CPU进行预测，可以将配置文件中use_gpu选项设置为False，或者执行命令：
+```
+python3 tools/infer/predict_rec.py  -o Global.use_gpu=False
+```
+