Edgboard：

PaddleLite进行推理，支持Paddle模型的推理部署(不需要模型转化过程)

支持c++和hpyton的接口，提供ZU3，ZU5,ZU9

推荐使用Paddlx进行模型训练，其训练出的模型会有API进行模型导出

# 图像前处理
from paddlex.cls import transforms

trans = transforms.Compose([
     在数组中输入想要的数据前处理方式，比如归一化，随机裁剪等。
])

# 数据加载
# 图像分类可以使用
pdx.datasets.ImageNet
# 目标检测模型可以使用
pdx.datasets.VOCDetection
# 或者这两个API，主要是根据数据集不同的标注格式进行选择
pdx.datasets.COCODetection

# 模型选择
# 图像分类
pdx.cls库中选择对应的模型
# 目标检测
pdx.det
# 这里一定要写好num_classes参数，不然会出大问题

# 训练很简单
对刚刚选择的模型使用train就行，还有一些参数需要设置，可以查看文档
https://paddlex.readthedocs.io/zh_CN/release-1.3/apis/transforms/det_transforms.html

使用

paddlex --export_inference --model_dir=模型路径 --save_dir=导出模型路径 --fixed_input_shape=网络输入的维度

这个指令1就可以导出适用与Edgeboard的模型了

使用RPN连接上Edgeborad的操作系统，并将模型h传入到板子中，板子会有初始ip，通过初始ip可以对Edgeboard进行设置

这里input,output的数据类型是Tnesor，预测都是事先写好config文件，然后在使用时直接加载config文件。

图像前处理的配置文件：

python接口代码

安卓端

使用paddlelite准备部署的模型

使用下面的指令生成nbn问夹

paddle_lite_opt --model_file=.pdmodel文件的路径 --parm_file=.pdiparmas文件的路径 --optimize_out=输出路径 --optimize_out_type=naive_buffer --valid_targets=arm

在andoird studio中设置里的android SDK 选择cmake，和NDK。并在file->project Stucture中选择NDK的路径

将nb文件放置到assets/modeles文件夹下，assets/labels中有一个.txt文件，表示标签名称，顺序一定要对

使用Build->generate signed bundle/apk即可打包成apk文件，第一次打包需要设置密钥文件