paddle 56 将图像分类模型嵌入到目标检测中并实现端到端的部署（用图像分类模型进行目标检测切片分类）

paddle 56 将图像分类模型嵌入到目标检测中并实现端到端的部署（用图像分类模型进行目标检测切片分类）

目标检测在功能上一直是涵盖了图像分类的，其包含目标切片检测，目标切片分类。由于某些原因，需要将目标检测的功能退化为检测，忽略其切片分类，使用外部的分类模型。然而这样操作会使得其与原始的部署代码不兼容，为此博主实现将图像分类模型嵌入到目标检测中，并实现端到端的部署。

这里以ppyoloe模型为改造案例，关于图像分类模型可以使用任意PaddleClas支持的模型。关于构造PaddleClas模型可以查阅 paddle 54 从PaddleClas2.5初始化模型用于迁移学习(LeViT、ReXNet、EfficientNet等)

1、python中的全局变量

这里是因为图像分类模型只能嵌入到PPYOLOEHead中，然而在PPYOLOEHead中只能获取到neck输入的特征图，缺失原始输入的图像。而图像分类模型需要使用原始的图像数据，故而需要将输入图像构造为全局变量。如不关心理论部分可以跳过本章节。

1.1 全局变量的基本使用

在通常情况下通过使用关键字 global 来声明全局变量，具体如下所示。通过以下方式实现的全局变量，只能在同一个文件内使用，不支持跨模块使用。

myVar = 'hello python - global'
def myFunction