PaddleRS已经集成了基于Python的高性能预测（prediction）接口。在安装PaddleRS后，可参照如下代码示例执行预测。
在服务端部署模型时需要首先将训练过程中保存的模型导出为部署格式，具体的导出步骤请参考文档部署模型导出。这是PaddleRs套件自带的，通过该命令能导出模型。
python deploy/export/export_model.py --model_dir=../work/output/snunet/best_model/ --save_dir=./inference_model/- 基本使用
本文件夹中有两个预测脚本，分别为infer.py和snunet_infer.py，后者为专门为TIPC预测的，因为自己不是很熟悉.sh文件，使用其他套件的，包含多余的代码。infer.py则是本项目的预测脚本，可以通过以下命令使用，运行该脚本可以得到预测的速度
python tutorials/infer/infer.py --img_dir=./test_tipc/data/mini_cdd_dataset --infer_dir=./inference_model/参数说明
- img_dir:数据所在文件夹
- infer_dir:导出的模型所在文件夹
- save_dir:保存预测的label文件夹，默认为当前文件夹下的
output文件夹 - 此外，还有
warmup_iters与repeats以下两个参数
关于warmup_iters与repeats参数设置的目的
加载模型后，对前几张图片的预测速度会较慢，这是因为程序刚启动时需要进行内存、显存初始化等步骤。通常，在处理20-30张图片后，模型的预测速度能够达到稳定值。基于这一观察，如果需要评估模型的预测速度，可通过指定预热轮数warmup_iters对模型进行预热。此外，为获得更加精准的预测速度估计值，可指定重复repeats次预测后计算平均耗时。