paddlepaddle部署推理出错

Question

使用paddlepaddle 训练，部署和推理，在最后一步的时候出错。
代码在这里,点进去可以运行查看过程
麻烦帮我看看，哪里出了问题。
代码：

import numpy as np
from PIL import Image
import paddle.inference as paddle_infer

# 加载模型配置和参数
model_dir = 'PaddleDetection/model_output/ppyoloe_plus_crn_s_80e_coco_distill_work'
model_config = f'{model_dir}/model.pdmodel'
model_params = f'{model_dir}/model.pdiparams'

# 创建 config
config = paddle_infer.Config(model_config, model_params)

# 根据 config 创建 predictor
predictor = paddle_infer.create_predictor(config)

# 准备输入图像
image_path = "I:/work_images/images/0000.jpg"

img = Image.open(image_path)

img_np = np.array(img)
img_np = img_np.transpose((2, 0, 1))  # 转换为 CHW 格式
img_np = np.expand_dims(img_np, axis=0)  # 0 是第1位  在第一位增加一个维度
img_np = img_np.astype(np.float32)


# 获取输入和输出句柄
input_names = predictor.get_input_names()
input_handle = predictor.get_input_handle(input_names[0])
input_handle.copy_from_cpu(img_np.copy())

predictor.run()

output_names = predictor.get_output_names()
output_handle = predictor.get_output_handle(output_names[1])
output = output_handle.copy_to_cpu()

print(output)

错误提示：

ValueError: (InvalidArgument) The 2-th dimension of input[0] and input[1] is expected to be equal.But received input[0]'s shape = [1, 512, 94, 54], input[1]'s shape = [1, 256, 93, 53].
  [Hint: Expected inputs_dims[0][j] == inputs_dims[i][j], but received inputs_dims[0][j]:94 != inputs_dims[i][j]:93.] (at ..\paddle/phi/kernels/funcs/concat_funcs.h:83)
  [operator < concat > error]

Answer 1

🕒下午好，题主！目前：🟢[在线]
📢参考通义千问、由郭老师整理提供！
📣今日诗号：只愿君心似我心，定不负相思意。

根据错误提示，ValueError 中提到的错误信息是关于维度不匹配的问题：

(The 2-th dimension of input[0] and input[1] is expected to be equal.
But received input[0]'s shape = [1, 512, 94, 54], input[1]'s shape = [1, 256, 93, 53].

PaddlePaddle在执行concat操作时，要求输入的张量在指定维度上的大小必须相等，而在您的案例中，第二个维度（索引为1）的尺寸不一致：input[0]的第二个维度是94，而input[1]的第二个维度是93。

解决这个问题需要确保在进行concatenate操作之前，所有待拼接的张量在对应维度上具有相同的大小。您可以检查模型结构，特别是在做拼接操作的地方，确认是否正确处理了输入数据的维度，或是否有必要对输入数据进行预处理以保证维度对齐。

由于您没有提供具体的代码，我无法给出针对性的修改建议。但一般来说，如果是因为原始数据的问题，可以在数据预处理阶段对数据进行调整；如果是模型设计问题，则需要修改模型结构，确保在执行concat操作前，相关层的输出维度一致。