树莓派使用PaddleX做物体分类

　　1.先使用百度AI运行代码。参考https://aistudio.baidu.com/aistudio/projectdetail/2160041链接网址，从而得到模型。但是paddlex运行得到的模型不能直接在树莓派上跑。所以进行第二步。
　　2.把模型转换成paddle-lite支持的模型。在百度studio，上一步的代码里运行
　　paddle_lite_opt --model_fie=你的模型途径
　　--param_file=你的权值途径
　　--valid_targets=arm
　　--optimize_out_type=naive_buffer
　　--optimize_out=你要的输出nb模型的途径和名称
　　3.执行以下分类代码，修改属于你的参数
　　from paddlelite.lite import *
　　import cv2
　　import numpy as np
　　import sys
　　import time
　　from PIL import Image
　　from PIL import ImageFont
　　from PIL import ImageDraw
　　# 加载模型
　　def create_predictor(model_dir):
　　config = MobileConfig()
　　config.set_model_from_file(model_dir)
　　predictor = create_paddle_predictor(config)
　　return predictor
　　#图像归一化处理
　　def process_img(image, input_image_size):
　　origin = image
　　img = origin.resize(input_image_size, Image.BILINEAR)
　　resized_img = img.copy()
　　if img.mode != ＂RGB＂:
　　img = img.convert(＂RGB＂)
　　img = np.array(img).astype(＂float32＂).transpose((2, 0, 1)) # HWC to CHW
　　img -= 127.5
　　img *= 0.007843
　　img = img[np.newaxis, :]
　　return origin,img
　　# 预测
　　def predict(image, predictor, input_image_size):
　　#输入数据处理
　　input_tensor = predictor.get_input(0)
　　input_tensor.resize([1, 3, input_image_size[0], input_image_size[1]])
　　image = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGRA2RGBA))
　　origin, img = process_img(image, input_image_size)
　　image_data = np.array(img).flatten().tolist()
　　input_tensor.set_float_data(image_data)
　　#执行预测
　　predictor.run()
　　#获取输出
　　output_tensor = predictor.get_output(0)
　　print(＂output_tensor.float_data()[:] : ＂, output_tensor.float_data()[:])
　　res = output_tensor.float_data()[:]
　　return res
　　# 展示结果
　　def post_res(label_dict, res):
　　print(max(res))
　　target_index = res.index(max(res))
　　print(＂结果是:＂ + ＂ ＂ + label_dict[target_index])
　　if __name__ == ＂__main__＂:
　　# 初始定义
　　label_dict = {0:＂metal＂, 1:＂paper＂, 2:＂plastic＂, 3:＂glass＂}
　　image = ＂./test_pic/images_orginal/glass/glass300.jpg＂
　　model_dir = ＂./trained_model/ResNet50_trash_x86_model.nb＂
　　image_size = (224, 224)
　　# 初始化
　　predictor = create_predictor(model_dir)
　　# 读入图片
　　image = cv2.imread(image)
　　# 预测
　　res = predict(image, predictor, image_size)
　　# 显示结果
　　post_res(label_dict, res)
　　cv2.imshow(＂image＂, image)
　　cv2.waitKey()