第 3 步：在您的设备上进行推断

将您的编译模型从 Amazon S3 下载到您的设备，并从压缩的仓库文件中提取它。

# Download compiled model locally to edge device
object_path = f'output/{model_name}-{target_device}.tar.gz'
neo_compiled_model = f'compiled-{model_name}.tar.gz'
s3_client.download_file(bucket_name, object_path, neo_compiled_model)

# Extract model from .tar.gz so DLR can use it
!mkdir ./dlr_model # make a directory to store your model (optional)
!tar -xzvf ./compiled-detect.tar.gz --directory ./dlr_model

导入 DLR 和初始化的DLRModel对象。

import dlr

device = 'cpu'
model = dlr.DLRModel('./dlr_model', device)

下载用于推理的图像，并根据模型的训练方式对其进行格式化.

对于coco_ssd_mobilenet示例中，您可以从COCO 数据集，然后将图像改造为300x300：

from PIL import Image

# Download an image for model to make a prediction
input_image_filename = './input_image.jpg'
!curl https://farm9.staticflickr.com/8325/8077197378_79efb4805e_z.jpg --output {input_image_filename}

# Format image so model can make predictions
resized_image = image.resize((300, 300))

# Model is quantized, so convert the image to uint8
x = np.array(resized_image).astype('uint8')

使用 DLR 进行推断.

最后，您可以使用 DLR 对刚下载的图像进行预测：

out = model.run(x)