本教程主要包含训练后模型转换成推理使用的MindSpore Lite MindIR的过程，涉及场景有：
graph LR;
A[MindOCR models] -- export --> B[MindIR] -- converter_lite --> C[MindSpore Lite MindIR];
D[PaddleOCR train models] -- export --> E[PaddleOCR infer models] -- paddle2onnx --> F[ONNX]-- converter_lite --> C;
- MindOCR训练ckpt文件 -> MindSpore MindIR -> MindSpore Lite MindIR;
- PaddleOCR训练文件 -> ONNX -> MindSpore Lite MindIR;
本章节主要包含训练模型导出MindIR或者ONNX文件的过程。
部分模型提供了MIndIR/ONNX导出文件的下载链接，见MindOCR模型列表，PPOCR模型列表，可跳转到对应模型的介绍页面进行下载。
训练端的ckpt文件导出为MindIR文件，请执行tools/export.py：
# 导出静态shape版本 `crnn_resnet34` 模型的MindIR
python tools/export.py --model_name_or_config configs/rec/crnn/crnn_resnet34.yaml --model_type rec --local_ckpt_path ~/.mindspore/models/crnn_resnet34-83f37f07.ckpt --data_shape 32 100
# 导出动态分档的 `crnn_resnet34` 模型的MindIR
python tools/export.py --model_name_or_config configs/rec/crnn/crnn_resnet34.yaml --model_type rec --local_ckpt_path ~/.mindspore/models/crnn_resnet34-83f37f07.ckpt --is_dynamic_shape True
更多参数使用详情，请执行 `python tools/export.py -h`.一些常用参数说明：
- model_name_or_config: 模型的名字或者模型配置yaml文件路径，若传入模型名，这个模型名需要在MindOCR支持列表中，MindOCR会自动下载ckpt文件。
- model_type：模型任务类型，支持 ["det", "rec", "cls"]。
- local_ckpt_path：本地模型checkpoint文件路径，如使用，则不会下载预置模型checkpoint文件，使用本地checkpoint文件。
- data_shape：静态shape的值。
- is_dynamic_shape：动态分档配置项，默认是False，与data_shape二选一。
PaddleOCR 涉及到2种格式的Paddle模型，训练模型和推理模型，区别如下：
| 模型类型 | 模型格式 | 简介 |
|---|---|---|
| 训练模型 | .pdparams、.pdopt、.states | PaddlePaddle训练模型，可保存的模型的权重、优化器状态等信息 |
| 推理模型 | inference.pdmodel、inference.pdiparams | PaddlePaddle推理模型，可由其训练模型导出得到，保存了模型的结构和参数 |
下载模型文件并解压，请根据模型格式来区别是训练模型还是推理模型。
在PaddleOCR模型的下载链接中，有训练模型和推理模型两种格式，如果提供的是训练模型，则需要将其转换为推理模型的格式。
在每个训练模型的原PaddleOCR介绍页面，一般会有转换脚本样例，只需要传入训练模型的配置文件、模型文件和保存路径即可。 示例如下：
# git clone https://github.com/PaddlePaddle/PaddleOCR.git
# cd PaddleOCR
python tools/export_model.py \
-c configs/det/det_r50_vd_db.yml \
-o Global.pretrained_model=./det_r50_vd_db_v2.0_train/best_accuracy \
Global.save_inference_dir=./det_db安装模型转换工具paddle2onnx：pip install paddle2onnx==0.9.5
详细使用教程请参考Paddle2ONNX模型转化与预测。
执行转换命令，生成onnx模型：
paddle2onnx \
--model_dir det_db \
--model_filename inference.pdmodel \
--params_filename inference.pdiparams \
--save_file det_db.onnx \
--opset_version 11 \
--input_shape_dict="{'x':[-1,3,-1,-1]}" \
--enable_onnx_checker True参数中input_shape_dict的值，一般可以通过Netron工具打开推理模型查看，或者在上述tools/export_model.py的代码中找到。
需要使用converter_lite工具，将上述导出的MindIR/ONNX文件进行离线转换，从而用于MindSpore Lite的推理。
converter_lite的详细教程见推理模型离线转换。
假设输入模型为model.mindir，经过converter_lite工具转换后的输出模型为model_lite.mindir，则模型转换命令如下：
converter_lite \
--saveType=MINDIR \
--fmk={fmk} \
--optimize=ascend_oriented \
--modelFile=model.mindir \
--outputFile=model_lite \
--configFile=config.txtfmk为输入模型的原始格式，可以是MindIR或者ONNX。
config.txt为扩展功能的配置路径，在MindOCR里config.txt主要可以用来进行shape的设置和推理精度的配置，我们在下一章节细讲。
如果导出模型的输入名为x，input_format为NCHW，输入Shape为(1,3,736,1280)，则config.txt如下：
[ascend_context]
input_format=NCHW
input_shape=x:[1,3,736,1280]
转换生成的output.mindir为静态shape版，推理时的输入图像需要Resize到该input_shape以满足输入要求。
注意：ascend 310不支持动态shape。
在某些推理场景（如检测出文本区域后，再执行文本识别网络），由于文本区域的个数和分辨率不固定，每次推理都按照最大的BatchSize或最大ImageSize进行计算，会造成计算资源浪费。
假设导出模型输入Shape为(-1, 3, -1, -1)，NHW这3个轴是动态的，所以可以在模型转换时设置一些可选值，以适应推理时各种Shape大小的输入图像，详细信息可参考动态shape配置 。
-
动态Image Size
N使用固定值，HW使用多个可选值，config.txt如下：
[ascend_context] input_format=NCHW input_shape=x:[1,3,-1,-1] dynamic_dims=[736,1280],[768,1280],[896,1280],[1024,1280]
-
动态Batch Size
N使用多个可选值，HW使用固定值，config.txt如下：
[ascend_context] input_format=NCHW input_shape=x:[-1,3,736,1280] dynamic_dims=[1],[4],[8],[16],[32]
在转换动态Batch Size/Image Size模型时，NHW值的选择可以由用户根据经验值设定，也可以从数据集中统计而来。
如果模型转换时需要同时支持动态Batch Size和动态Image Size，可以组合多个不同Batch Size的模型，每个模型使用相同的动态Image Size。
为了简化模型转换流程，我们开发了自动分档工具，可以从数据集中统计选择动态值和模型转换，详细教程请参考模型Shape分档。
注意：
如果导出的模型是静态Shape版的，则无法分档，需确保导出动态Shape版的模型。
对于模型推理的精度，需要在转换模型时通过converter_lite设置。
请参考Ascend转换工具功能说明 ，在配置文件的表格中描述了precision_mode参数的使用方法，可选择enforce_fp16、enforce_fp32、preferred_fp32和enforce_origin等。
故而，可以在上述config.txt的[ascend_context]中增加precision_mode参数来设置精度：
[ascend_context]
input_format=NCHW
input_shape=x:[1,3,736,1280]
precision_mode=enforce_fp32
如不设置，默认为enforce_fp16。