Add pipeline deployment docs

docs/tutorials/pipelines/pipeline_deployment.md

@@ -0,0 +1,85 @@
+# 模型产线部署
+
+针对不同应用场景，PaddleX通过离线部署包提供2种模型产线本地部署方案：
+
+- **高性能推理**：运行脚本执行推理，或在程序中调用Python/C++的推理API。旨在实现测试样本的高效输入与模型预测结果的快速获取，特别适用于大规模批量刷库的场景，显著提升数据处理效率。
+- **服务化部署**：采用C/S架构，以服务形式提供推理能力，客户端可以通过网络请求访问服务，以获取推理结果。
+
+请注意，目前并非所有模型都支持基于离线部署包的部署，具体支持情况请参考[模型部署支持情况](#模型部署支持情况)。
+
+## 操作流程
+
+1. 获取离线部署包。
+    1. 在[星河社区](https://aistudio.baidu.com/pipeline/mine)创建产线，在“选择产线”页面点击“直接部署”。
+    2. 在“产线部署”页面选择“导出离线部署包”，使用默认的模型方案，点击“导出部署包”。
+    3. 待部署包导出完毕后，点击“下载离线部署包”，将部署包下载到本地。
+    4. 点击“生成部署包序列号”，根据页面提示完成设备指纹的获取以及设备指纹与序列号的绑定，确保序列号对应的激活状态为“已激活“。
+2. 使用自训练模型替换离线部署包`model`目录中的模型。需注意模型与产线模块的对应关系，并且不要修改`model`的目录结构。
+3. 根据需要选择要使用的部署SDK：`offline_sdk`目录对应高性能推理SDK，`serving_sdk`目录对应服务化部署SDK。按照SDK文档（`README.md`）中的说明，完成产线的本地部署。
+
+## 模型部署支持情况
+
+| 模型名称 | 是否支持基于离线部署包的部署 |
+| :---: | :---: |
+| ResNet18 | 是 |
+| ResNet34 | 是 |
+| ResNet50 | 是 |
+| ResNet101 | 是 |
+| ResNet152 | 是 |
+| ResNet18 | 是 |
+| PP-LCNet_x0_25 | 是 |
+| PP-LCNet_x0_35 | 是 |
+| PP-LCNet_x0_5 | 是 |
+| PP-LCNet_x0_75 | 是 |
+| PP-LCNet_x1_0 | 是 |
+| PP-LCNet_x1_5 | 是 |
+| PP-LCNet_x2_5 | 是 |
+| PP-LCNet_x2_0 | 是 |
+| MobileNetV3_large_x0_35 | 是 |
+| MobileNetV3_large_x0_5 | 是 |
+| MobileNetV3_large_x0_75 | 是 |
+| MobileNetV3_large_x1_0 | 是 |
+| MobileNetV3_large_x1_25 | 是 |
+| MobileNetV3_small_x0_35 | 是 |
+| MobileNetV3_small_x0_5 | 是 |
+| MobileNetV3_small_x0_75 | 是 |
+| MobileNetV3_small_x1_0 | 是 |
+| MobileNetV3_small_x1_25 | 是 |
+| ConvNeXt_tiny | 是 |
+| MobileNetV2_x0_25 | 是 |
+| MobileNetV2_x0_5 | 是 |
+| MobileNetV2_x1_0 | 是 |
+| MobileNetV2_x1_5 | 是 |
+| MobileNetV2_x2_0 | 是 |
+| SwinTransformer_base_patch4_window7_224 | 否 |
+| PP-HGNet_small | 是 |
+| PP-HGNetV2-B0 | 是 |
+| PP-HGNetV2-B4 | 是 |
+| PP-HGNetV2-B6 | 是 |
+| CLIP_vit_base_patch16_224 | 是 |
+| CLIP_vit_large_patch14_224 | 是 |
+| PP-YOLOE_plus-X | 是 |
+| PP-YOLOE_plus-L | 是 |
+| PP-YOLOE_plus-M | 是 |
+| PP-YOLOE_plus-S | 是 |
+| RT-DETR-L | 否 |
+| RT-DETR-H | 否 |
+| RT-DETR-X | 否 |
+| RT-DETR-R18 | 否 |
+| RT-DETR-R50 | 否 |
+| PicoDet-S | 是 |
+| PicoDet-L | 是 |
+| Deeplabv3-R50 | 是 |
+| Deeplabv3-R101 | 是 |
+| Deeplabv3_Plus-R50 | 是 |
+| Deeplabv3_Plus-R101 | 是 |
+| PP-LiteSeg-T | 是 |
+| OCRNet_HRNet-W48 | 是 |
+| Mask-RT-DETR-H | 否 |
+| Mask-RT-DETR-L | 否 |
+| PP-OCRv4_server_rec | 是 |
+| PP-OCRv4_mobile_rec | 是 |
+| PP-OCRv4_server_det | 是 |
+| PP-OCRv4_mobile_det | 是 |
+| PicoDet_layout_1x | 是 |
+| SLANet | 否 |

docs/tutorials/pipelines/pipeline_develop.md

@@ -7,7 +7,7 @@ PaddleX 提供了丰富的模型产线，模型产线由一个或多个模型组
 3. 【**选择模型**】（可选）对产线中效果不及预期的模块进行微调，首先根据模块参考文档[模型选择](./model_select.md)选择可替换的模型；
 4. 【**模型微调**】（可选）选择好对应的模型后，即可进行模型训练，具体参考[模型训练、评估和推理](../base/README.md)；
 5. 【**产线测试**】（可选）将产线中的模型替换为微调后的模型进行测试，具体参考[模型产线开发工具推理预测](./pipeline_inference_tools.md);
-6. 【**开发集成/部署**】使用 PaddleX Python API，将模型产线集成到个人项目中，具体参考[模型产线推理 Python API 文档](./pipeline_inference_api.md)。
+6. 【**开发集成/部署**】使用 PaddleX Python API 将模型产线集成到个人项目中（具体参考[模型产线推理 Python API 文档](./pipeline_inference_api.md)），或使用离线部署包实现本地高性能推理/服务化部署（具体参考[模型产线部署](./pipeline_deployment.md)）。
 
 **PaddleX 模型产线开发流程图**