[dygraph] Add prepare dataset and deploy document (#2136)

* update prepare dataset and deploy document, test=dygraph

* simplify CMakeList, test=dygraph

* add cpp doc link, test=dygraph

* remove WITH_STATIC_LIB, test=dygraph

* update doc, test=dygraph

* fix cmakelist, test=dygraph

* split EXPORT_MODEL.md, update READEME.md, add QA on deploy README.md, test=dygraph

* Using same env as paddle_inference_lib when deploy, test=dygraph

* fix typo, test=dygraph

dygraph/deploy/EXPORT_MODEL.md

-# 模型动转静导出
-
-训练得到一个满足要求的模型后，如果想要将该模型接入到C++预测库或者Serving服务，需要通过`tools/export_model.py`将动态图模型转化为静态图模型并导出。同时，会导出预测时使用的配置文件，路径与模型保存路径相同, 配置文件名为`infer_cfg.yml`。
-
-**说明：**
-
-- **输入部分：** 动转静导出模型输入统一为：
+# PaddleDetection模型导出教程
 
+## 模型导出
+本章节介绍如何使用`tools/export_model.py`脚本导出模型。
+### 导出模输入输出说明
+- `PaddleDetection`中输入变量以及输入形状如下：
 | 输入名称 | 输入形状 | 表示含义 |
 | :---------: | ----------- | ---------- |
 | image |  [None, 3, H, W] | 输入网络的图像，None表示batch维度，如果输入图像大小为变长，则H,W为None |
 | im_shape | [None, 2] | 图像经过resize后的大小，表示为H,W, None表示batch维度 |
 | scale_factor | [None, 2] | 输入图像大小比真实图像大小，表示为scale_y, scale_x |
 
+**注意**具体预处理方式可参考配置文件中TestReader部分。
 
-具体预处理方式可参考配置文件中TestReader部分。
 
-
-- **输出部分：** 动转静导出模型输出统一为：
+- PaddleDetection`中动转静导出模型输出统一为：
 
   - bbox, NMS的输出，形状为[N, 6], 其中N为预测框的个数，6为[class_id, score, x1, y1, x2, y2]。
   - bbox\_num, 每张图片对应预测框的个数，例如batch_size为2，输出为[N1, N2], 表示第一张图包含N1个预测框，第二张图包含N2个预测框，并且预测框的总个数和NMS输出的第一维N相同
   - mask，如果网络中包含mask，则会输出mask分支
 
-- 模型动转静导出不支持模型结构中包含numpy相关操作的情况。
+**注意**模型动转静导出不支持模型结构中包含numpy相关操作的情况。
 
 
-## 启动参数说明
+### 启动参数说明
 
 |      FLAG      |      用途      |    默认值    |                 备注                      |
 |:--------------:|:--------------:|:------------:|:-----------------------------------------:|
 |       -c       |  指定配置文件  |     None     |                                           |
 |  --output_dir  |  模型保存路径  |  `./output_inference`  |  模型默认保存在`output/配置文件名/`路径下 |
 
-## 使用示例
+### 使用示例
 
 使用训练得到的模型进行试用，脚本如下
 
 ```bash
-# 导出FasterRCNN模型
-python tools/export_model.py -c configs/faster_rcnn_r50_1x_coco.yml \
-        --output_dir=./inference_model \
-        -o weights=output/faster_rcnn_r50_1x_coco/model_final
+# 导出YOLOv3模型
+python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model \
+ -o weights=weights/yolov3_darknet53_270e_coco.pdparams
 ```
 
-预测模型会导出到`inference_model/faster_rcnn_r50_1x_coco`目录下，分别为`infer_cfg.yml`, `model.pdiparams`,  `model.pdiparams.info`, `model.pdmodel`。
+预测模型会导出到`inference_model/yolov3_darknet53_270e_coco`目录下，分别为`infer_cfg.yml`, `model.pdiparams`,  `model.pdiparams.info`, `model.pdmodel`。
 
 
-## 设置导出模型的输入大小
+### 设置导出模型的输入大小
 
 使用Fluid-TensorRT进行预测时，由于<=TensorRT 5.1的版本仅支持定长输入，保存模型的`data`层的图片大小需要和实际输入图片大小一致。而Fluid C++预测引擎没有此限制。设置TestReader中的`image_shape`可以修改保存模型中的输入图片大小。示例如下:
 
 ```bash
-# 导出FasterRCNN模型，输入是3x640x640
-python tools/export_model.py -c configs/faster_rcnn_r50_1x_coco.yml \
-        --output_dir=./inference_model \
-        -o weights=https://paddlemodels.bj.bcebos.com/object_detection/dygraph/faster_rcnn_r50_1x_coco.pdparams \
-           TestReader.inputs_def.image_shape=[3,640,640]
-
-# 导出YOLOv3模型，输入是3x320x320
-python tools/export_model.py -c configs/yolov3_darknet53_270e_coco.yml \
-        --output_dir=./inference_model \
-        -o weights=https://paddlemodels.bj.bcebos.com/object_detection/dygraph/yolov3_darknet53_270e_coco.pdparams \
-           TestReader.inputs_def.image_shape=[3,320,320]
-
+# 导出YOLOv3模型，输入是3x640x640
+python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model \
+ -o weights=weights/yolov3_darknet53_270e_coco.pdparams TestReader.inputs_def.image_shape=[3,640,640]
 ```

dygraph/deploy/README.md

 # PaddleDetection 预测部署
+训练得到一个满足要求的模型后，如果想要将该模型部署到已选择的平台上，需要通过`tools/export_model.py`将模型导出预测部署的模型和配置文件。
+并在同一文件夹下导出预测时使用的配置文件，配置文件名为`infer_cfg.yml`。
 
-`PaddleDetection`目前支持：
-- 使用`Python`和`C++`部署在`Windows` 和`Linux` 上运行
-- [在线服务化部署](./serving/README.md)
-- [移动端部署](https://github.com/PaddlePaddle/Paddle-Lite-Demo)
+## `PaddleDetection`目前支持的部署方式按照部署设备可以分为：
+- 在本机`python`语言部署，支持在有`python paddle`(支持`CPU`、`GPU`)环境下部署，有两种方式：
+    - 使用`tools/infer.py`，此种方式依赖`PaddleDetection`代码库。
+    - 将模型导出，使用`deploy/python/infer.py`，此种方式不依赖`PaddleDetection`代码库，可以单个`python`文件部署。
+- 在本机`C++`语言使用`paddle inference`预测库部署，支持在`Linux`和`Windows`系统下部署。请参考文档[C++部署](cpp/README.md)。
+- 在服务器端以服务形式部署，使用[PaddleServing](./serving/README.md)部署。
+- 在手机移动端部署，使用[Paddle-Lite](https://github.com/PaddlePaddle/Paddle-Lite) 在手机移动端部署。
+  常见模型部署Demo请参考[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo) 。
+- `NV Jetson`嵌入式设备上部署
 
 ## 模型导出
-训练得到一个满足要求的模型后，如果想要将该模型接入到C++服务器端预测库或移动端预测库，需要通过`tools/export_model.py`导出该模型。
+使用`tools/export_model.py`脚本导出模型已经部署时使用的配置文件，配置文件名字为`infer_cfg.yml`。模型导出脚本如下：
+```bash
+# 导出YOLOv3模型
+python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model \
+ -o weights=weights/yolov3_darknet53_270e_coco.pdparams
+```
+预测模型会导出到`inference_model/yolov3_darknet53_270e_coco`目录下，分别为`infer_cfg.yml`, `model.pdiparams`,  `model.pdiparams.info`, `model.pdmodel`。
 
-- [导出教程](https://github.com/PaddlePaddle/PaddleDetection/blob/master/docs/advanced_tutorials/deploy/EXPORT_MODEL.md)
+模型导出具体请参考文档[PaddleDetection模型导出教程](EXPORT_MODEL.md)。
 
-模型导出后, 目录结构如下(以`yolov3_darknet`为例):
-```
-yolov3_darknet # 模型目录
-├── infer_cfg.yml # 模型配置信息
-├── __model__     # 模型文件
-└── __params__    # 参数文件
+## 如何选择部署时依赖库的版本
+
+### CUDA、cuDNN、TensorRT版本选择
+由于CUDA、cuDNN、TENSORRT不一定都是向前兼容的，需要使用与编译Paddle预测库使用的环境完全一致的环境进行部署。
+
+### 部署时预测库版本、预测引擎版本选择
+
+- Linux、Windows平台下C++部署，需要使用Paddle预测库进行部署。
+  （1）Paddle官网提供在不同平台、不同环境下编译好的预测库，您可以直接使用，请在这里[Paddle预测库](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/05_inference_deployment/inference/build_and_install_lib_cn.html) 选择。
+  （2）如果您将要部署的平台环境，Paddle官网上没有提供已编译好的预测库，您可以自行编译，编译过程请参考[Paddle源码编译](https://www.paddlepaddle.org.cn/documentation/docs/zh/install/compile/linux-compile.html)。
+
+- Python语言部署，需要在对应平台上安装Paddle Python包。如果Paddle官网上没有提供该平台下的Paddle Python包，您可以自行编译，编译过程请参考[Paddle源码编译](https://www.paddlepaddle.org.cn/documentation/docs/zh/install/compile/linux-compile.html)。
+
+- PaddleServing部署
+  PaddleServing 0.4.0是基于Paddle 1.8.4开发，PaddleServing 0.4.1是基于Paddle2.0开发。
+
+- Paddle-Lite部署
+  Paddle-Lite支持OP列表请参考：[Paddle-Lite支持的OP列表](https://paddle-lite.readthedocs.io/zh/latest/source_compile/library.html) ，请跟进所部署模型中使用到的op选择Paddle-Lite版本。
+
+- NV Jetson部署
+  Paddle官网提供在NV Jetson平台上已经编译好的预测库，[Paddle NV Jetson预测库](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/05_inference_deployment/inference/build_and_install_lib_cn.html) 。
+  若列表中没有您需要的预测库，您可以在您的平台上自行编译，编译过程请参考[Paddle源码编译](https://www.paddlepaddle.org.cn/documentation/docs/zh/install/compile/linux-compile.html)。
+
+
+## 部署
+- C++部署，先使用跨平台编译工具`CMake`根据`CMakeLists.txt`生成`Makefile`，支持`Windows、Linux、NV Jetson`平台，然后进行编译产出可执行文件。可以直接使用`cpp/scripts/build.sh`脚本编译：
+```buildoutcfg
+cd cpp
+sh scripts/build.sh
 ```
 
-预测时，该目录所在的路径会作为程序的输入参数。
+- Python部署，可以使用使用`tools/infer.py`（以来PaddleDetection源码）部署，或者使用`deploy/python/infer.py`单文件部署
+
+- PaddleServing部署请参考，[PaddleServing部署](./serving/README.md)部署。
+
+- 手机移动端部署，请参考[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)部署。
+
+
+## 常见问题QA
+- 1、`Paddle 1.8.4`训练的模型，可以用`Paddle2.0`部署吗？
+  Paddle 2.0是兼容Paddle 1.8.4的，因此是可以的。但是部分模型(如SOLOv2)使用到了Paddle 2.0中新增OP，这类模型不可以。
+
+- 2、Windows编译时，预测库是VS2015编译的，选择VS2017或VS2019会有问题吗？
+  关于VS兼容性问题请参考：[C++Visual Studio 2015、2017和2019之间的二进制兼容性](https://docs.microsoft.com/zh-cn/cpp/porting/binary-compat-2015-2017?view=msvc-160)
 
-## 预测部署
-- [1. Python预测(支持 Linux 和 Windows)](https://github.com/PaddlePaddle/PaddleDetection/blob/master/deploy/python)
-- [2. C++预测(支持 Linux 和 Windows)](https://github.com/PaddlePaddle/PaddleDetection/blob/master/deploy/cpp)
-- [3. 在线服务化部署](./serving/README.md)
-- [4. 移动端部署](https://github.com/PaddlePaddle/Paddle-Lite-Demo)
-- [5. Jetson设备部署](./cpp/docs/Jetson_build.md)
+- 3、cuDNN 8.0.4连续预测会发生内存泄漏吗？
+  经QA测试，发现cuDNN 8系列连续预测时都有内存泄漏问题，且cuDNN 8性能差于cuDNN 7，推荐使用CUDA + cuDNN7.6.4的方式进行部署。

dygraph/deploy/cpp/CMakeLists.txt

@@ -3,7 +3,6 @@ project(PaddleObjectDetector CXX C)
 
 option(WITH_MKL        "Compile demo with MKL/OpenBlas support,defaultuseMKL."          ON)
 option(WITH_GPU        "Compile demo with GPU/CPU, default use CPU."                    ON)
-option(WITH_STATIC_LIB "Compile demo with static/shared library, default use shared."   OFF)
 option(WITH_TENSORRT   "Compile demo with TensorRT."                                    OFF)
 option(USE_PADDLE_20RC1 "Compile demo with paddle_inference_lib 2.0rc1"                 ON)
 
@@ -94,10 +93,6 @@ if (WIN32)
     set(CMAKE_C_FLAGS_RELEASE  "${CMAKE_C_FLAGS_RELEASE} /bigobj /MT")
     set(CMAKE_CXX_FLAGS_DEBUG  "${CMAKE_CXX_FLAGS_DEBUG} /bigobj /MTd")
     set(CMAKE_CXX_FLAGS_RELEASE   "${CMAKE_CXX_FLAGS_RELEASE} /bigobj /MT")
-    if (WITH_STATIC_LIB)
-        safe_set_static_flag()
-        add_definitions(-DSTATIC_LIB)
-    endif()
 else()
     set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -g -o2 -fopenmp -std=c++11")
     set(CMAKE_STATIC_LIBRARY_PREFIX "")
@@ -180,37 +175,20 @@ if (WIN32)
 endif()
 
 
-if (WITH_STATIC_LIB)
-    if (WIN32 AND USE_PADDLE_20RC1)
-        message("This situation is actually in dynamic build mode")
-        set(DEPS ${PADDLE_LIB}/paddle/lib/addle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
-    else()
-        set(DEPS ${PADDLE_LIB}/paddle/lib/libpaddle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
-    endif()
-else()
-    if (WIN32)
-        if (USE_PADDLE_20RC1)
-            # 2.0rc1 win32 shared lib name is paddle_fluid.dll and paddle_fluid.lib
-            set(DEPS ${PADDLE_LIB}/paddle/lib/paddle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
-        else()
-            # before 2.0rc1 win32 shared lib name is libpaddle_fluid.dll and libpaddle_fluid.lib
-            set(DEPS ${PADDLE_LIB}/paddle/lib/libpaddle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
-        endif()
+if (WIN32)
+    if (USE_PADDLE_20RC1)
+        # 2.0rc1 win32 shared lib name is paddle_fluid.dll and paddle_fluid.lib
+        set(DEPS ${PADDLE_DIR}/paddle/lib/paddle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
     else()
-        # linux shared lib name is libpaddle_fluid.so
-        set(DEPS ${PADDLE_LIB}/paddle/lib/libpaddle_fluid${CMAKE_SHARED_LIBRARY_SUFFIX})
+        # before 2.0rc1 win32 shared lib name is libpaddle_fluid.dll and libpaddle_fluid.lib
+        set(DEPS ${PADDLE_DIR}/paddle/lib/libpaddle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
     endif()
-endif()
-
-
-if(WITH_STATIC_LIB)
-    set(DEPS
-        ${PADDLE_DIR}/paddle/lib/libpaddle_fluid${CMAKE_STATIC_LIBRARY_SUFFIX})
 else()
-    set(DEPS
-        ${PADDLE_DIR}/paddle/lib/${WIN32_PADDLE_LIB_NAME}${CMAKE_SHARED_LIBRARY_SUFFIX})
+    # linux shared lib name is libpaddle_fluid.so
+    set(DEPS ${PADDLE_DIR}/paddle/lib/libpaddle_fluid${CMAKE_SHARED_LIBRARY_SUFFIX})
 endif()
 
+message("DEPS:" $DEPS)
 
 if (NOT WIN32)
     set(DEPS ${DEPS}
@@ -259,6 +237,7 @@ endif()
 set(DEPS ${DEPS} ${OpenCV_LIBS})
 add_executable(main src/main.cc src/preprocess_op.cc src/object_detector.cc)
 ADD_DEPENDENCIES(main ext-yaml-cpp)
+message("DEPS:" $DEPS)
 target_link_libraries(main ${DEPS})
 
 if (WIN32 AND WITH_MKL)

dygraph/deploy/cpp/docs/linux_build.md

@@ -58,10 +58,6 @@ TENSORRT_LIB_DIR=/path/to/TensorRT/lib
 # Paddle 预测库路径
 PADDLE_DIR=/path/to/fluid_inference
 
-# Paddle 的预测库是否使用静态库来编译
-# 使用TensorRT时，Paddle的预测库通常为动态库
-WITH_STATIC_LIB=OFF
-
 # CUDA 的 lib 路径
 CUDA_LIB=/path/to/cuda/lib
 
@@ -78,7 +74,6 @@ cmake .. \
     -DTENSORRT_LIB_DIR=${TENSORRT_LIB_DIR} \
     -DTENSORRT_INC_DIR=${TENSORRT_INC_DIR} \
     -DPADDLE_DIR=${PADDLE_DIR} \
-    -DWITH_STATIC_LIB=${WITH_STATIC_LIB} \
     -DCUDA_LIB=${CUDA_LIB} \
     -DCUDNN_LIB=${CUDNN_LIB} \
     -DOPENCV_DIR=${OPENCV_DIR}

dygraph/deploy/cpp/scripts/build.sh

@@ -19,10 +19,6 @@ TENSORRT_LIB_DIR=/path/to/tensorrt/include
 # Paddle 预测库路径
 PADDLE_DIR=/path/to/fluid_inference/
 
-# Paddle 的预测库是否使用静态库来编译
-# 使用TensorRT时，Paddle的预测库通常为动态库
-WITH_STATIC_LIB=OFF
-
 # CUDA 的 lib 路径
 CUDA_LIB=/path/to/cuda/lib
 

dygraph/deploy/serving/README.md

+# 服务端预测部署
+
+`PaddleDetection`训练出来的模型可以使用[Serving](https://github.com/PaddlePaddle/Serving) 部署在服务端。  
+本教程以在路标数据集[roadsign_voc](https://paddlemodels.bj.bcebos.com/object_detection/roadsign_voc.tar) 使用`configs/yolov3_mobilenet_v1_roadsign.yml`算法训练的模型进行部署。  
+预训练模型权重文件为[yolov3_mobilenet_v1_roadsign.pdparams](https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1_roadsign.pdparams) 。
+
+## 1. 首先验证模型
+```
+python tools/infer.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1_roadsign.pdparams --infer_img=demo/road554.png
+```
+
+## 2. 安装 paddle serving
+```
+# 安装 paddle-serving-client
+pip install paddle-serving-client -i https://mirror.baidu.com/pypi/simple
+
+# 安装 paddle-serving-server
+pip install paddle-serving-server -i https://mirror.baidu.com/pypi/simple
+
+# 安装 paddle-serving-server-gpu
+pip install paddle-serving-server-gpu -i https://mirror.baidu.com/pypi/simple
+```
+
+## 3. 导出模型
+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](https://github.com/PaddlePaddle/PaddleDetection/blob/master/docs/advanced_tutorials/deploy/EXPORT_MODEL.md)
+
+```
+python tools/export_serving_model.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1_roadsign.pdparams --output_dir=./inference_model
+```
+
+以上命令会在./inference_model文件夹下生成一个`yolov3_mobilenet_v1_roadsign`文件夹：
+```
+inference_model
+│   ├── yolov3_mobilenet_v1_roadsign
+│   │   ├── infer_cfg.yml
+│   │   ├── serving_client
+│   │   │   ├── serving_client_conf.prototxt
+│   │   │   ├── serving_client_conf.stream.prototxt
+│   │   ├── serving_server
+│   │   │   ├── conv1_bn_mean
+│   │   │   ├── conv1_bn_offset
+│   │   │   ├── conv1_bn_scale
+│   │   │   ├── ...
+```
+
+`serving_client`文件夹下`serving_client_conf.prototxt`详细说明了模型输入输出信息
+`serving_client_conf.prototxt`文件内容为：
+```
+feed_var {
+  name: "image"
+  alias_name: "image"
+  is_lod_tensor: false
+  feed_type: 1
+  shape: 3
+  shape: 608
+  shape: 608
+}
+feed_var {
+  name: "im_size"
+  alias_name: "im_size"
+  is_lod_tensor: false
+  feed_type: 2
+  shape: 2
+}
+fetch_var {
+  name: "multiclass_nms_0.tmp_0"
+  alias_name: "multiclass_nms_0.tmp_0"
+  is_lod_tensor: true
+  fetch_type: 1
+  shape: -1
+}
+```
+
+## 4. 启动PaddleServing服务
+
+```
+cd inference_model/yolov3_mobilenet_v1_roadsign/
+
+# GPU
+python -m paddle_serving_server_gpu.serve --model serving_server --port 9393 --gpu_ids 0
+
+# CPU
+python -m paddle_serving_server.serve --model serving_server --port 9393
+```
+
+## 5. 测试部署的服务
+准备`label_list.txt`文件
+```
+# 进入到导出模型文件夹
+cd inference_model/yolov3_mobilenet_v1_roadsign/
+
+# 将数据集对应的label_list.txt文件拷贝到当前文件夹下
+cp ../../dataset/roadsign_voc/label_list.txt .
+```
+
+设置`prototxt`文件路径为`serving_client/serving_client_conf.prototxt` 。  
+设置`fetch`为`fetch=["multiclass_nms_0.tmp_0"])`
+
+测试
+```
+# 进入目录
+cd inference_model/yolov3_mobilenet_v1_roadsign/
+
+# 测试代码 test_client.py 会自动创建output文件夹，并在output下生成`bbox.json`和`road554.png`两个文件
+python ../../deploy/serving/test_client.py ../../demo/road554.png
+```

dygraph/deploy/serving/test_client.py

+# Copyright (c) 2020 PaddlePaddle Authors. All Rights Reserved.
+#
+# Licensed under the Apache License, Version 2.0 (the "License");
+# you may not use this file except in compliance with the License.
+# You may obtain a copy of the License at
+#
+#     http://www.apache.org/licenses/LICENSE-2.0
+#
+# Unless required by applicable law or agreed to in writing, software
+# distributed under the License is distributed on an "AS IS" BASIS,
+# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+# See the License for the specific language governing permissions and
+# limitations under the License.
+
+import sys
+import numpy as np
+from paddle_serving_client import Client
+from paddle_serving_app.reader import *
+import cv2
+preprocess = Sequential([
+    File2Image(), BGR2RGB(), Resize(
+        (608, 608), interpolation=cv2.INTER_LINEAR), Div(255.0), Transpose(
+            (2, 0, 1))
+])
+
+postprocess = RCNNPostprocess("label_list.txt", "output", [608, 608])
+client = Client()
+
+client.load_client_config("serving_client/serving_client_conf.prototxt")
+client.connect(['127.0.0.1:9393'])
+
+im = preprocess(sys.argv[1])
+fetch_map = client.predict(
+    feed={
+        "image": im,
+        "im_size": np.array(list(im.shape[1:])),
+    },
+    fetch=["multiclass_nms_0.tmp_0"])
+fetch_map["image"] = sys.argv[1]
+postprocess(fetch_map)

dygraph/docs/tutorials/PrepareDataSet.md

@@ -23,10 +23,10 @@
 |         表达方式    |                 说明               |
 | :----------------: | :--------------------------------: |
 |     x1,y1,x2,y2    | (x1,y1)为左上角坐标，(x2,y2)为右下角坐标  |  
-|       x,y,w,h      | (x,y)为左上角坐标，w为目标区域宽度，h为目标区域高度  |
+|     x1,y1,w,h      | (x1,y1)为左上角坐标，w为目标区域宽度，h为目标区域高度  |
 |     xc,yc,w,h    | (xc,yc)为目标区域中心坐标，w为目标区域宽度，h为目标区域高度  |  
 
-常见的目标检测数据集如Pascal VOC和COCO，采用的是第一种 `x1,y1,x2,y2` 表示物体的bounding box.  
+常见的目标检测数据集如Pascal VOC采用的`[x1,y1,x2,y2]` 表示物体的bounding box, COCO采用的`[x1,y1,w,h]` 表示物体的bounding box, Cformat](https://cocodataset.org/#format-data).
 
 ### 准备训练数据  
 
@@ -208,7 +208,7 @@ json文件中包含以下key：
         'area': 2765.1486500000005, # 物体的区域面积
         'iscrowd': 0,               # iscrowd
         'image_id': 558840,         # image id
-        'bbox': [199.84, 200.46, 77.71, 70.88], # bbox
+        'bbox': [199.84, 200.46, 77.71, 70.88], # bbox [x1,y1,w,h]
         'category_id': 58,          # category_id
         'id': 156                   # image id
     }