# 快速体验BaseDeploy

模型部署是AI应用的重要一环，因其涉及的框架量大、推理代码风格不一等问题，往往会对初学者的上手造成一定的难度。为此，`XEdu`团队推出了模型部署工具`BaseDeploy`，其代码风格向`MMEdu`对齐，通过对推理核心代码的封装，目标是用户能够更加专注于科创作品功能的设计，而将AI模块作为接口的黑盒，能够对其返回的结果进行二次创作。

当前，BaseDeploy主要支持onnxruntime的部署形式，只要将模型文件转换为onnx格式，即可轻松部署到绝大多数硬件上，如行空板、树莓派之类的边缘硬件或者开源硬件。

**【强调】：2023年10月，XEdu心推出了XEduhub，已经提供了模型推理工具，BaseDeploy将重点关注模型部署于更多开源硬件之上，关注模型的转换。如果仅仅是推理模型，建议使用XEduhub。**


## 设计理念

绝大多数的边缘硬件支持ONNX，MMEdu和BaseNN训练的模型也提供了转换为ONNX的功能，那么就可以借助ONNX推理，实现模型在开源硬件上的使用。

`BaseDeploy`通过传入[ONNX模型](https://xedu.readthedocs.io/zh-cn/master/how_to_use/support_resources/model_convert.html#id2)的路径加载为一个模型，通过`model.inference`即可完成模型的推理，从而可实现借助BaseDeploy完成模型部署。

库文件源代码可以从[PyPi](https://pypi.org/project/BaseDeploy/#files)下载，选择tar.gz格式下载，可用常见解压软件查看源码。

文档涉及的部分代码见XEdu帮助文档配套项目集：[https://www.openinnolab.org.cn/pjlab/project?id=64f54348e71e656a521b0cb5&sc=645caab8a8efa334b3f0eb24#public](https://www.openinnolab.org.cn/pjlab/project?id=64f54348e71e656a521b0cb5&sc=645caab8a8efa334b3f0eb24#public)


## 示例代码

示例代码一：

```python
from BaseDT.data import ImageData
import BaseDeploy as bd
model_path = './mymodel.onnx'
dt = ImageData(img_path, backbone='训练的模型名称，例如MobileNet')
model = bd(model_path)
pred_onx = model.inference(dt)
result = model.print_result(pred_onx)
```

本段代码实现的功能是将`BaseDT`预处理好后的图片传入`BaseDeploy`推理函数进行推理，并将推理结果返回。关于BaseDT处理图片的说明详见[BaseDT部分](https://xedu.readthedocs.io/zh-cn/master/basedt/quick_start.html#id12)。

示例代码二：

```python
import BaseDeploy as bd
model_path = './mymodel.onnx'
model = bd(model_path)
pred_onx = model.inference(img_path)
result = model.print_result(pred_onx)
```

本段代码实现的功能是将图片路径传入`BaseDeploy`推理函数进行推理，并将推理结果返回。

示例代码三：

```python
import cv2
import BaseDeploy as bd
model_path = './mymodel.onnx'
cap = cv2.VideoCapture(0)
ret, img = cap.read()
model = bd(model_path)
pred_onx = model.inference(img)
result = model.print_result(pred_onx)
cap.release()
```

本段代码实现的功能是将cv2调用摄像头拍摄的图片传入`BaseDeploy`推理函数进行推理，并将推理结果返回。此处代码与[借助MMEdu完成模型转换](https://xedu.readthedocs.io/zh-cn/master/how_to_use/support_resources/model_convert.html#mmedu)后生成的示例代码非常相似。

实现效果如下：


- 图像分类

![](../images/basedeploy/base_cls.png)



- 目标检测

![](../images/basedeploy/base_detect.png)

## 更多模型部署相关项目

猫狗分类小助手：[https://www.openinnolab.org.cn/pjlab/project?id=641039b99c0eb14f2235e3d5&backpath=/pjedu/userprofile%3FslideKey=project#public](https://www.openinnolab.org.cn/pjlab/project?id=641039b99c0eb14f2235e3d5&backpath=/pjedu/userprofile%3FslideKey=project#public)

千物识别小助手：[https://www.openinnolab.org.cn/pjlab/project?id=641be6d479f259135f1cf092&backpath=/pjlab/projects/list#public](https://www.openinnolab.org.cn/pjlab/project?id=641be6d479f259135f1cf092&backpath=/pjlab/projects/list#public)

有无人检测小助手：[https://www.openinnolab.org.cn/pjlab/project?id=641d3eb279f259135f870fb1&backpath=/pjlab/projects/list#public](https://www.openinnolab.org.cn/pjlab/project?id=641d3eb279f259135f870fb1&backpath=/pjlab/projects/list#public)

树莓派与MMEdu：[https://www.openinnolab.org.cn/pjlab/project?id=64992a4dc0b7072a267541f4&sc=635638d69ed68060c638f979#public](https://www.openinnolab.org.cn/pjlab/project?id=64992a4dc0b7072a267541f4&sc=635638d69ed68060c638f979#public)

MMEdu模型在线转换：[https://www.openinnolab.org.cn/pjlab/project?id=645110943c0e930cb55e859b&sc=635638d69ed68060c638f979#public](https://www.openinnolab.org.cn/pjlab/project?id=645110943c0e930cb55e859b&sc=635638d69ed68060c638f979#public)