Develop

docs/quick_start/install.md

@@ -11,11 +11,13 @@ pip install fastdeploy-python
 然后通过命令行管理工具，根据自己的硬件安装相应SDK
 
 ### 安装CPU Python SDK
+
 ```
 fastdeploy --install cpu
 ```
 
 ### 安装GPU Python SDK
+
 ```
 fastdeploy --install gpu
 ```

docs/quick_start/requirements.md

@@ -2,7 +2,7 @@
 
 ## 系统平台
 
-- Linux x64/aarch64
+- Linux x64
 - Windows 10 x64
 - Mac OSX (x86 10.0以上/ arm64 12.0以上)
 

new_examples/vision/detection/README.md

@@ -2,12 +2,11 @@
 
 本目录下提供了各类视觉模型的部署，主要涵盖以下任务类型
 
-| 任务类型 | 说明 | 预测结果结构体 |
-| :------- | :----| :------------- |
-| Detection | 目标检测，输入图像，检测图像中物体位置，并返回检测框坐标及类别和置信度 | DetectionResult |
-| Segmentation | 语义分割，输入图像，给出图像中每个像素的分类及置信度 | SegmentationResult |
-| Classification | 图像分类，输入图像，给出图像的分类结果和置信度 | ClassifyResult |
-
+| 任务类型           | 说明                                  | 预测结果结构体                                                                          |
+|:-------------- |:----------------------------------- |:-------------------------------------------------------------------------------- |
+| Detection      | 目标检测，输入图像，检测图像中物体位置，并返回检测框坐标及类别和置信度 | [DetectionResult](../../../../docs/api/vision_results/detection_result.md)       |
+| Segmentation   | 语义分割，输入图像，给出图像中每个像素的分类及置信度          | [SegmentationResult](../../../../docs/api/vision_results/segmentation_result.md) |
+| Classification | 图像分类，输入图像，给出图像的分类结果和置信度             | [ClassifyResult](../../../../docs/api/vision_results/classification_result.md)   |
 
 ## FastDeploy API设计
 

new_examples/vision/detection/yolov7/README.md

@@ -1,37 +1,39 @@
-# YOLOv7部署
+# YOLOv7准备部署模型
 
-## 版本依赖
+## 模型版本说明
 
 - [YOLOv7 0.1](https://github.com/WongKinYiu/yolov7/releases/tag/v0.1)
-
+  - （1）[链接中](https://github.com/WongKinYiu/yolov7/releases/tag/v0.1)的*.pt通过[导出ONNX模型](#导出ONNX模型)操作后，可进行部署；
+  - （2）[链接中](https://github.com/WongKinYiu/yolov7/releases/tag/v0.1)的*.onnx、*.trt和 *.pose模型不支持部署；
+  - （3）开发者基于自己数据训练的YOLOv7 0.1模型，可按照[导出ONNX模型](#%E5%AF%BC%E5%87%BAONNX%E6%A8%A1%E5%9E%8B)后，完成部署。
 
 ## 导出ONNX模型
 
 ```
-#下载yolov7模型文件
+# 下载yolov7模型文件
 wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt
 
 # 导出onnx格式文件 (Tips: 对应 YOLOv7 release v0.1 代码)
 python models/export.py --grid --dynamic --weights PATH/TO/yolov7.pt
 
 # 如果您的代码版本中有支持NMS的ONNX文件导出，请使用如下命令导出ONNX文件(请暂时不要使用 "--end2end"，我们后续将支持带有NMS的ONNX模型的部署)
-python export.py --grid --dynamic --weights PATH/TO/yolov7.pt
+python models/export.py --grid --dynamic --weights PATH/TO/yolov7.pt
 
 # 移动onnx文件到demo目录
 cp PATH/TO/yolov7.onnx PATH/TO/model_zoo/vision/yolov7/
 ```
 
-## 预训练模型集合
+## 下载预训练模型
 
 为了方便开发者的测试，下面提供了YOLOv7导出的各系列模型，开发者可直接下载使用。
 
-| 模型 | 大小 | 精度 |
-| :--- | :--- | :--- |
+| 模型                                                               | 大小    | 精度    |
+|:---------------------------------------------------------------- |:----- |:----- |
 | [YOLOv7](https://bj.bcebos.com/paddlehub/fastdeploy/yolov7.onnx) | 141MB | 51.4% |
-| [YOLOv7-x] | 10MB | 51.4% |
+| [YOLOv7-x]                                                       | 10MB  | 51.4% |
 
 
-## 其它文档
+## 详细部署文档
 
 - [Python部署](python)
 - [C++部署](cpp)

new_examples/vision/detection/yolov7/cpp/README.md

@@ -5,7 +5,7 @@
 在部署前，需确认以下两个步骤
 
 - 1. 软硬件环境满足要求，参考[FastDeploy环境要求](../../../../../docs/quick_start/requirements.md)  
-- 2. 根据开发环境，下载预编译部署库，参考[FastDeploy预编译库](../../../../../docs/compile/prebuild_libraries.md)
+- 2. 根据开发环境，下载预编译部署库和samples代码，参考[FastDeploy预编译库](../../../../../docs/compile/prebuild_libraries.md)
 
 以Linux上CPU推理为例，在本目录执行如下命令即可完成编译测试
 
@@ -17,19 +17,31 @@ tar xvf fastdeploy-linux-x64-0.2.0.tgz
 cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-0.2.0
 make -j
 
-./infer_demo yolov7.onnx 000001.jpg
+#下载官方转换好的yolov7模型文件和测试图片
+wget https://bj.bcebos.com/paddlehub/fastdeploy/yolov7.onnx
+wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000087038.jpg
+
+
+# CPU推理
+./infer_demo yolov7.onnx 000000087038.jpg 0
+# GPU推理
+./infer_demo yolov7.onnx 000000087038.jpg 1
+# GPU上TensorRT推理
+./infer_demo yolov7.onnx 000000087038.jpg 2
 ```
 
 ## YOLOv7 C++接口
 
 ### YOLOv7类
+
 ```
 fastdeploy::vision::wongkinyiu::YOLOv7(
         const string& model_file,
         const string& params_file = "",
         const RuntimeOption& runtime_option = RuntimeOption(),
         const Frontend& model_format = Frontend::ONNX)
 ```
+
 YOLOv7模型加载和初始化，其中model_file为导出的ONNX模型格式。
 
 **参数**
@@ -40,26 +52,26 @@ YOLOv7模型加载和初始化，其中model_file为导出的ONNX模型格式。
 > * **model_format**(Frontend): 模型格式，默认为ONNX格式
 
 #### Predict函数
+
 > ```
 > YOLOv7::Predict(cv::Mat* im, DetectionResult* result,
 >                 float conf_threshold = 0.25,
 >                 float nms_iou_threshold = 0.5)
 > ```
+> 
 > 模型预测接口，输入图像直接输出检测结果。
->
+> 
 > **参数**
->
+> 
 > > * **im**: 输入图像，注意需为HWC，BGR格式
 > > * **result**: 检测结果，包括检测框，各个框的置信度, DetectionResult说明参考[视觉模型预测结果](../../../../../docs/api/vision_results/)
 > > * **conf_threshold**: 检测框置信度过滤阈值
 > > * **nms_iou_threshold**: NMS处理过程中iou阈值
 
-
 ### 类成员变量
 
 > > * **size**(vector<int>): 通过此参数修改预处理过程中resize的大小，包含两个整型元素，表示[width, height], 默认值为[640, 640]
 
-
 - [模型介绍](../../)
 - [Python部署](../python)
 - [视觉模型预测结果](../../../../../docs/api/vision_results/)

new_examples/vision/detection/yolov7/python/README.md

@@ -3,7 +3,7 @@
 在部署前，需确认以下两个步骤
 
 - 1. 软硬件环境满足要求，参考[FastDeploy环境要求](../../../../../docs/quick_start/requirements.md)  
-- 2. FastDeploy Python安装，参考[FastDeploy Python安装](../../../../../docs/quick_start/install.md)
+- 2. FastDeploy Python whl包安装，参考[FastDeploy Python安装](../../../../../docs/quick_start/install.md)
 
 本目录下提供`infer.py`快速完成YOLOv7在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。执行如下脚本即可完成
 
@@ -12,12 +12,20 @@
 wget https://bj.bcebos.com/paddlehub/fastdeploy/yolov7.onnx
 wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000087038.jpg
 
+#下载部署示例代码
+git clone https://github.com/PaddlePaddle/FastDeploy.git
+cd examples/vison/detection/yolov7/python/
+
+# CPU推理
 python infer.py --model yolov7.onnx --image 000000087038.jpg --device cpu
+# GPU推理
+python infer.py --model yolov7.onnx --image 000000087038.jpg --device gpu
+# GPU上使用TensorRT推理
+python infer.py --model yolov7.onnx --image 000000087038.jpg --device gpu --use_trt True
 ```
 
 运行完成可视化结果如下图所示
 
-
 ## YOLOv7 Python接口
 
 ```
@@ -38,23 +46,23 @@ YOLOv7模型加载和初始化，其中model_file为导出的ONNX模型格式
 > ```
 > YOLOv7.predict(image_data, conf_threshold=0.25, nms_iou_threshold=0.5)
 > ```
+> 
 > 模型预测结口，输入图像直接输出检测结果。
->
+> 
 > **参数**
->
+> 
 > > * **image_data**(np.ndarray): 输入数据，注意需为HWC，BGR格式
 > > * **conf_threshold**(float): 检测框置信度过滤阈值
 > > * **nms_iou_threshold**(float): NMS处理过程中iou阈值
 
 > **返回**
->
+> 
 > > 返回`fastdeploy.vision.DetectionResult`结构体，结构体说明参考文档[视觉模型预测结果](../../../../../docs/api/vision_results/)
 
 ### 类成员属性
 
 > > * **size**(list | tuple): 通过此参数修改预处理过程中resize的大小，包含两个整型元素，表示[width, height], 默认值为[640, 640]
 
-
 ## 其它文档
 
 - [YOLOv7 模型介绍](..)