PaddleClas中PP-ShiTuV2模型导出与Serving部署问题解析

问题背景

在使用PaddleClas项目中的PP-ShiTuV2模型时，用户可能会遇到一个常见问题：当使用自定义训练后导出的模型进行Paddle Serving部署时，发现缺少必要的配置文件，特别是infer_cfg.yml文件，导致无法正确配置class_id_map_file参数。

问题分析

PP-ShiTuV2是PaddleClas中的一个通用识别模型，主要用于图像识别任务。在模型训练完成后，需要将模型导出为推理格式才能用于生产环境部署。标准导出流程默认可能不会生成所有必要的配置文件，特别是当用户计划使用Paddle Inference或Paddle Fast Deploy时。

解决方案

要解决这个问题，关键在于模型导出阶段需要添加特定参数。以下是详细的解决方案：

1. 添加导出参数：在导出模型时，需要添加-o Global.export_for_fd=True参数，这会确保生成完整的配置文件，包括infer_cfg.yml。

2. 完整导出命令示例：

python tools/export_model.py \
-c ./ppcls/configs/GeneralRecognitionV2/GeneralRecognitionV2_PPLCNetV2_base.yaml \
-o Global.pretrained_model="your_model_path" \
-o Global.save_inference_dir=deploy/models/your_export_dir \
-o Global.export_for_fd=True

3. 使用PaddleX替代方案：如果上述方法仍然存在问题，可以考虑使用PaddleX进行模型训练和导出，PaddleX的导出流程通常会生成更完整的配置文件。

技术细节

export_for_fd参数的作用是告诉导出脚本需要为FastDeploy准备完整的配置文件。这个参数会触发以下操作：

• 生成infer_cfg.yml配置文件
• 包含类别ID映射信息
• 准备模型服务化所需的所有元数据

最佳实践建议

1. 在模型训练完成后，建议立即进行导出测试，确保所有必要文件都已生成。
2. 对于生产环境部署，建议使用PaddleX进行端到端的模型开发和部署流程。
3. 在导出模型前，仔细检查配置文件中的路径和参数设置，确保与后续部署环境匹配。

通过以上方法，用户可以顺利解决PP-ShiTuV2模型导出后缺少配置文件的问题，确保模型能够正确部署到Paddle Serving环境中。