# PaddleX 模型选择
PaddleX 内置了多条产线，每条产线都包含了若干模型，具体使用哪些模型，您可以根据下边的 benchmark 数据来选择。如您更考虑模型精度，请选择精度较高的模型，如您更考虑模型推理速度，请选择推理速度较快的模型，如您更考虑模型存储大小，请选择存储大小较小的模型。
以下为每条产线部分精选模型 benchmark 数据，全量模型 benchmark 数据持续更新中。
## 1.通用图像分类
| 模型列表 | Top1 Acc(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| --------------- | ------ | ---------------- | ---------------- | --------------- |
| PP-HGNetV2_B6 | 86.30 | 10.46 | 240.18 | 288 |
| CLIP_vit_base_patch16_224 | 85.39 | 12.03 | 234.85 | 331 |
| PP-HGNetV2_B4 | 83.57 | 2.45 | 38.10 | 76 |
| SwinTransformer_base_patch4_window7_224 | 83.37 | 12.35 | - | 342 |
| PP-HGNet_small | 81.51 | 4.24 | 108.21 | 94 |
| PP-HGNetV2_B0 | 77.77 | 0.68 | 6.41 | 23 |
| ResNet50 | 76.50 | 3.12 | 50.90 | 98 |
| PP-LCNet_x1_0 | 71.32 | 1.01 | 3.39 | 7 |
| MobileNetV3_small_x1_0 | 68.24 | 1.09 | 3.65 | 12 |
> **注：以上精度指标为 ImageNet-1k 验证集 Top1 Acc。**
## 2.通用目标检测
| 模型列表 | mAP(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| --------------- | ------ | ---------------- | ---------------- | --------------- |
| RT-DETR-H | 56.3 | 100.65 | 8451.92 | 471 |
| RT-DETR-L | 53.0 | 27.89 | 841.00 | 125 |
| PP-YOLOE_plus-L | 52.9 | 29.67 | 700.97 | 200 |
| PP-YOLOE_plus-S | 43.7 | 8.11 | 137.23 | 31 |
| PicoDet-L | 42.6 | 10.09 | 129.32 | 23 |
| PicoDet-S | 29.1 | 3.17 | 13.36 | 5 |
> **注：以上精度指标为 COCO2017 验证集 mAP(0.5:0.95)。**
## 3.通用语义分割
| 模型列表 | mIoU (%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小 (M)|
| ---------------- | ------- | --------------- | -------------- | ------------- |
| OCRNet_HRNet-W48 | 82.15 | 87.97 | 2180.76 | 270 |
| PP-LiteSeg-T | 77.04 | 5.98 | 140.02 | 31 |
> **注：以上精度指标测量自[Cityscapes](https://www.cityscapes-dataset.com/)数据集。**
## 4.通用实例分割
| 模型列表 | mAP(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| -------------- | ------ | --------------- | -------------- | ------------- |
| Mask-RT-DETR-H | 48.8 | - | - | 486 |
| Mask-RT-DETR-L | 45.7 | - | - | 124 |
> **注：以上精度指标为 COCO2017 验证集 mAP(0.5:0.95)。**
## 5.通用OCR
| 模型 | 检测 Hmean(%) | 识别 Avg Accuracy(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| --------------- | ------------ | ------------------- | --------------- | --------------- | ------------- |
| PP-OCRv4-server | 82.69 | 79.20 | 22.20346 | 2662.158 | 198 |
| PP-OCRv4-mobile | 77.79 | 78.20 | 2.719474 | 79.1097 | 15 |
> **注：以上精度指标的评估集是 PaddleOCR 自建的中文数据集，覆盖街景、网图、文档、手写多个场景，其中文本识别包含 1.1w 张图片，检测包含 500 张图片。**
## 6.通用表格识别
| 模型 | 精度(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| ------ | ------ | -------------- | --------------- | ------------- |
| SLANet | 76.31 | 791.73 | 379.87 | 9.3 |
> **注：以上精度指标测量自PubtabNet英文表格识别数据集。**
## 7.时序预测
| 模型列表 | mse | mae | 模型存储大小(M) |
| ----------------| ------ | ------ | ------------- |
| DLinear | 0.386 | 0.445 | 80k |
| Nonstationary | 0.385 | 0.463 | 61M |
| PatchTST | 0.291 | 0.380 | 2.2M |
| TiDE | 0.376 | 0.441 | 35M |
| TimesNet | 0.284 | 0.386 | 5.2M |
> **注：以上精度指标测量自 ECL 数据集。**
## 8.时序异常检测
| 模型列表 | precision | recall | f1_score | 模型存储大小(M) |
| ---------------- | --------- | ------ | -------- | ------------- |
| DLinear_ad | 0.904 | 0.891 | 0.897 | 0.9M |
| Nonstationary_ad | 0.901 | 0.938 | 0.918 | 19.1MB |
| AutoEncoder_ad | 0.897 | 0.860 | 0.876 | 0.4M |
| PatchTST_ad | 0.900 | 0.925 | 0.913 | 2.1M |
| TimesNet_ad | 0.899 | 0.935 | 0.917 | 5.4M |
> **注：以上精度指标测量自 SWAT 数据集。**
## 9.时序分类
| 模型列表 | acc(%) | 模型存储大小(M) |
| ------------ | ------ | ------------- |
| TimesNet_cls | 67.9 | 5.3M |
> **注：以上精度指标测量自 UEA/FaceDetection 数据集。**
**注**：以上所有模型 GPU 推理耗时基于 NVIDIA Tesla T4 机器，精度类型为 FP32， CPU 推理速度基于 Intel(R) Xeon(R) Gold 5117 CPU @ 2.00GHz，线程数为8，精度类型为 FP32。