1. 数据集准备 

根据自己任务去寻找合适的数据集，e接着进行对应数据的标注，如果是目标检测的，需要将图片放在JPEGImages文件夹唉中，标签放在Annotations文件夹中，这里要注意，吧数据集标注成coco或者voc格式，可以帮助后期剩下很多读取数据集和分割数据集的时间

接着使用paddlex --split_dataset --fromat VOC --dataset_dir 数据集路径 --val_value 0.2 --test_value 0.1命令对数据集进行划分，最后会生成train，test，val，labels四个txt文件在数据集文件夹下。

2. 训练模型

使用paddlex可以快速实现模型的训练，首先使用paddlex的transforms方法定义数据预处理的细节，使用paddex.datasets.VOCDetectiuon，传入参数，数据集路径，训练集的txt文件，以及标签文件txte即可完成数据集的装载

接着就是选择模型

使用指令pdx.models.然后根据h智能补齐就可以看到全部的可选模型

使用??pdx.models.模型名称。可以查看我们可以修改模型的哪些参数

在选择模型后，记得修改类别数，不然就会默认使用80类，可能会产生报错或者预测不准确的问题

接着使用train方法设置对应的训练参数，比如hbatc size，learning rate等等，即可开始模型的训练过程

3. 模型预测

使用模型的predict方法即可完成预测，e可以传入图片的路径过程图片的numpy格式，返回的结果是一个数组

4. 模型裁剪

通常的模型i裁剪方式都是将flaot，double这种数据类型h转化成int。使用analyze_sensitivity可以分析模型参数的n敏感度，使用prune可以对模型的flops进行裁剪

5. 模型部署

在gitee拉去apddlex的仓库，里面有一个deploy的文件夹，里面就是推理1的工具库，有c++推理和python推理

使用指令!paddlex --export_inference --model_dir=./yolov3_mobilenet --save_dir=./可以将动态图模型导出成静态图，一般推理目前都是使用静态图

6. EasyEdge部署——不用写一行代码

根据上面的方式先获取模型的静态图模型

进入到EasyEdge的操作页面，点击上传模型，输入如下内容

然后就提交模型，就完成了

点击生成模型——>生成端模型->选择对应的设备，然后等待他生成结束就好了