第七课共分为三部分内容：

一、基于PaddleX 2.0动态图框架的安全帽检测模型开发
在新发布的2.0.0-rc版本中，PaddleX全面升级了对动态图的支持，开发步骤如下：

1. 数据集准备：配置了数据集目录——根据数据集格式VOC或COCO调用相应的API进行数据读取、数据划分
2. 模型训练：PaddleX模型训练极其简单，可以在模型库根据需要选择好模型
3. 模型预测：为了更好的用户体验，可以实现不仅可以挑选测试集图片进行预测，还可以写一个简单的逻辑完成图片中目标数量的计数，like可以统计下一张图片中，共有多少人未佩戴安全帽。
4. 模型裁剪：将模型体积（参数量、网络结构）及计算量减小，同时保持性能（精度、速度），paddleX目前的裁剪工具更多的是实现了浮点数到Int8整型的数值裁剪

课程上只进行了大致的流程介绍，授课老师给了相关tips可以自己实际考虑使用：
jupyter notebook语法：
！->运行
？->模型大致介绍
？？->模型的详细参数介绍

模型开发：
1.查文档与写代码同等重要
2.例如调用YOLO系列如PP-YOLOv2时，初始anchors的九个值的范围也是可调可换的，
3.model.train()参数都可以微调
4.可视化训练工具VisualDL在改版调试，静待惊喜

二、基于PaddleX 2.0动态图检测模型的部署实现
PaddleX动态图目前支持以下飞桨官方套件基于PaddleInference的部署，paddleInference是最底层的推理实现工具。

套件支持：

• PaddleDetection(release/2.0)
• PaddleSeg(release/2.0)
• PaddleClas(release/2.1)
• PaddleX(release/2.0-rc)

硬件支持：

• CPU(linux/windows)
• GPU(linux/windows)
• Jetson(TX2/Nano/Xavier)

部署流程：

• 部署代码准备 ！git clone https://gitee.com/paddlepaddle/PaddleX.git
• 下载PaddlePaddle C++ 预测库 deploy文件夹下cpp文件夹是部署代码
• 修改编译参数
• 修改yaml依赖包路径并编译
• 模型导出
• 模型测试
• 加载导出的模型并使用GPU预测
• 模型验证

tips:
模型导出也有模型裁剪的作用
遇到bug可以对比官方文档进行排故，替换官方代码问题解决这种是框架迭代过程中的bug

三、EasyEdge零代码部署工具的使用
EasyEdge端与边缘AI服务平台适配支持多种平台多种系统

根据标签名称上传相应文件，然后导出静态图模型。

Paddle框架版本升级后，__model__对应model.pdmodel，__params__对应model.pdiparams
上传网络结构文件后EasyEdge会自动校验，如果能正常查看网络结构图，那模型大概率就没有问题了，换句话说Paddle2.0动态图的模型导出后，EasyEdge是支持部署的！

tips:
问题解答获取可以在百度AI社区中发帖咨询