change python3 to python

docs/examples/meter_reader.md

@@ -90,19 +90,19 @@ export CUDA_VISIBLE_DEVICES=
 * 预测单张图片
 
 ```shell
-python3 reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image /path/to/meter_test/20190822_168.jpg --save_dir ./output --use_erode
+python reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image /path/to/meter_test/20190822_168.jpg --save_dir ./output --use_erode
 ```
 
 * 预测多张图片
 
 ```shell
-python3 reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image_dir /path/to/meter_test --save_dir ./output --use_erode
+python reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image_dir /path/to/meter_test --save_dir ./output --use_erode
 ```
 
 * 开启摄像头预测
 
 ```shell
-python3 reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --save_dir ./output --use_erode --use_camera
+python reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --save_dir ./output --use_erode --use_camera
 ```
 
 ## 推理部署
@@ -259,12 +259,12 @@ step 5. 推理预测：
 
 * 表盘检测的训练
 ```
-python3 /path/to/PaddleX/examples/meter_reader/train_detection.py
+python /path/to/PaddleX/examples/meter_reader/train_detection.py
 ```
 * 指针和刻度分割的训练
 
 ```
-python3 /path/to/PaddleX/examples/meter_reader/train_segmentation.py
+python /path/to/PaddleX/examples/meter_reader/train_segmentation.py
 
 ```
 

docs/examples/remote_sensing.md

@@ -31,14 +31,14 @@ cd PaddleX/examples/remote_sensing/
 运行以下脚本，下载原始数据集，并完成数据集的切分：
 
 ```
-python3 prepare_data.py
+python prepare_data.py
 ```
 
 ## 模型训练
 
 分割模型选择Backbone为MobileNetv3_large_ssld的Deeplabv3模型，该模型兼备高性能高精度的优点。运行以下脚本，进行模型训练：
 ```
-python3 train.py
+python train.py
 ```
 
 也可以跳过模型训练步骤，直接下载预训练模型进行后续的模型预测和评估：
@@ -71,12 +71,12 @@ tar -xvf ccf_remote_model.tar.gz
 
 运行以下脚本使用有重叠的滑动窗口进行预测：
 ```
-python3 predict.py
+python predict.py
 ```
 
 ## 模型评估
 
 在训练过程中，每隔10个迭代轮数会评估一次模型在验证集的精度。由于已事先将原始大尺寸图片切分成小块，此时相当于使用无重叠的大图切小图预测方式，最优模型精度miou为80.58%。运行以下脚本，将采用有重叠的大图切小图的预测方式，重新评估原始大尺寸图片的模型精度，此时miou为81.52%。
 ```
-python3 eval.py
+python eval.py
 ```

examples/meter_reader/README.md

@@ -99,19 +99,19 @@ export CUDA_VISIBLE_DEVICES=
 * 预测单张图片
 
 ```shell
-python3 reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image /path/to/meter_test/20190822_168.jpg --save_dir ./output --use_erode
+python reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image /path/to/meter_test/20190822_168.jpg --save_dir ./output --use_erode
 ```
 
 * 预测多张图片
 
 ```shell
-python3 reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image_dir /path/to/meter_test --save_dir ./output --use_erode
+python reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --image_dir /path/to/meter_test --save_dir ./output --use_erode
 ```
 
 * 开启摄像头预测
 
 ```shell
-python3 reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --save_dir ./output --use_erode --use_camera
+python reader_infer.py --detector_dir /path/to/det_inference_model --segmenter_dir /path/to/seg_inference_model --save_dir ./output --use_erode --use_camera
 ```
 
 ## <h2 id="4">推理部署</h2>
@@ -269,12 +269,12 @@ git clone https://github.com/PaddlePaddle/PaddleX
 
 * 表盘检测的训练
 ```
-python3 /path/to/PaddleX/examples/meter_reader/train_detection.py
+python /path/to/PaddleX/examples/meter_reader/train_detection.py
 ```
 * 指针和刻度分割的训练
 
 ```
-python3 /path/to/PaddleX/examples/meter_reader/train_segmentation.py
+python /path/to/PaddleX/examples/meter_reader/train_segmentation.py
 
 ```
 

examples/multi-channel_remote_sensing/predict.py

@@ -3,7 +3,7 @@ from PIL import Image
 
 import paddlex as pdx
 
-model_dir = "saved_model/remote_sensing_unet/best_model/"
+model_dir = "l8sparcs_remote_model/"
 img_file = "dataset/remote_sensing_seg/data/LC80150242014146LGN00_23_data.tif"
 label_file = "dataset/remote_sensing_seg/mask/LC80150242014146LGN00_23_mask.png"
 color = [255, 255, 255, 0, 0, 0, 255, 255, 0, 255, 0, 0, 150, 150, 150]
@@ -11,6 +11,7 @@ color = [255, 255, 255, 0, 0, 0, 255, 255, 0, 255, 0, 0, 150, 150, 150]
 # 预测并可视化预测结果
 model = pdx.load_model(model_dir)
 pred = model.predict(img_file)
+#pred = model.overlap_tile_predict(img_file, tile_size=[512, 512], pad_size=[64, 64], batch_size=32)
 pdx.seg.visualize(
     img_file, pred, weight=0., save_dir='./output/pred', color=color)
 

examples/remote_sensing/README.md

@@ -37,14 +37,14 @@ cd PaddleX/examples/remote_sensing/
 运行以下脚本，下载原始数据集，并完成数据集的切分：
 
 ```
-python3 prepare_data.py
+python prepare_data.py
 ```
 
 ## <h2 id="2">模型训练</h2>
 
 分割模型选择Backbone为MobileNetv3_large_ssld的Deeplabv3模型，该模型兼备高性能高精度的优点。运行以下脚本，进行模型训练：
 ```
-python3 train.py
+python train.py
 ```
 
 也可以跳过模型训练步骤，直接下载预训练模型进行后续的模型预测和评估：
@@ -77,12 +77,12 @@ tar -xvf ccf_remote_model.tar.gz
 
 运行以下脚本使用有重叠的滑动窗口进行预测：
 ```
-python3 predict.py
+python predict.py
 ```
 
 ## <h2 id="4">模型评估</h2>
 
 在训练过程中，每隔10个迭代轮数会评估一次模型在验证集的精度。由于已事先将原始大尺寸图片切分成小块，此时相当于使用无重叠的滑动窗口预测方式，最优模型精度miou为80.58%。运行以下脚本，将采用有重叠的滑动窗口预测方式，重新评估原始大尺寸图片的模型精度，此时miou为81.52%。
 ```
-python3 eval.py
+python eval.py
 ```