目前FastDeploy支持如下模型的部署
【注意】如你部署的为PP-Matting、PP-HumanMatting以及ModNet请参考Matting模型部署
PaddleSeg模型导出，请参考其文档说明模型导出
注意
- PaddleSeg导出的模型包含
model.pdmodel、model.pdiparams和deploy.yaml三个文件，FastDeploy会从yaml文件中获取模型在推理时需要的预处理信息 - aarch64平台（如：Jetson）暂时只支持
onnxruntime和tensorrt作为后端推理（不支持非固定shape的图片输入即动态输入）。因此，必须指定--input_shape导出具有固定输入的PaddleSeg模型（FastDeploy会在预处理阶段，对原图进行resize操作） - 在使用其他平台（如：Windows、Mac、Linux），在导出PaddleSeg模型模型时，可指定
--input_shape参数（当想采用onnxruntime或tensorrt作为后端进行推理）。但是，若输入的预测图片尺寸并不固定，建议使用默认值即不指定该参数（同时采用Paddle Inference或者OpenVino作为后端进行推理）
为了方便开发者的测试，下面提供了PaddleSeg导出的部分模型（导出方式为：不指定--input_shape，指定--output_op none），开发者可直接下载使用。
| 模型 | 参数文件大小 | 输入Shape | mIoU | mIoU (flip) | mIoU (ms+flip) |
|---|---|---|---|---|---|
| Unet-cityscapes | 52MB | 1024x512 | 65.00% | 66.02% | 66.89% |
| PP-LiteSeg-T(STDC1)-cityscapes | 31MB | 1024x512 | 77.04% | 77.73% | 77.46% |
| PP-HumanSegV1-Lite(通用人像分割模型) | 543KB | 192x192 | 86.2% | - | - |
| PP-HumanSegV2-Lite(通用人像分割模型) | 12MB | 192x192 | 92.52% | - | - |
| PP-HumanSegV2-Mobile(通用人像分割模型) | 29MB | 192x192 | 93.13% | - | - |
| PP-HumanSegV1-Server(通用人像分割模型) | 103MB | 512x512 | 96.47% | - | - |
| Portait-PP-HumanSegV2_Lite(肖像分割模型) | 3.6M | 256x144 | 96.63% | - | - |
| FCN-HRNet-W18-cityscapes | 37MB | 1024x512 | 78.97% | 79.49% | 79.74% |
| Deeplabv3-ResNet101-OS8-cityscapes | 150MB | 1024x512 | 79.90% | 80.22% | 80.47% |