PaddleX 模型产线开发工具

PaddleX 中提供了多个模型产线，包括：OCR、图像分类、目标检测、实例分割、语义分割等，每个模型产线有多个模型可供选择，并均提供了官方权重，支持通过命令行方式直接推理预测和 Python API 预测。命令行方式直接推理预测可以快速体验模型推理效果，而 Python API 预测可以方便地集成到自己的项目中进行预测。

1.安装 PaddleX

在使用模型产线工具之前，首先需要安装 PaddleX，安装方式请参考 PaddleX 安装文档。

2.PaddleX 模型产线工具使用方式

2.1 OCR 产线

OCR 产线内置了 PP-OCRv4 模型，包括文字检测和文字识别两个部分。文字检测支持的模型有PP-OCRv4_mobile_det、PP-OCRv4_server_det，文字识别支持的模型有PP-OCRv4_mobile_rec、PP-OCRv4_server_rec。您可以使用以下两种方式进行推理预测，如果在您的场景中，上述模型不能满足您的需求，您可以参考 PaddleX 模型训练文档进行训练，训练后的模型可以非常方便地集成到该产线中。

命令行使用方式

您可以使用命令行将图片的文字识别出来，命令行使用方式如下： ``` paddlex --task ocrdet --model PP-OCRv4_mobile_det --image /paddle/dataset/paddlex/ocr_det/ocr_det_dataset/xxx ``` 参数解释： - `task`: 任务类型，当前支持 `ocrdet` - `model`: 模型名称，当前支持 `PP-OCRv4_mobile_det` 和 `PP-OCRv4_mobile_rec`。

Python API 使用方式

```python import cv2 from paddlex import OCRPipeline from paddlex import PaddleInferenceOption from paddle.pipelines.PPOCR.utils import draw_ocr_box_txt pipeline = OCRPipeline( 'PP-OCRv4_mobile_det', 'PP-OCRv4_mobile_rec', text_det_kernel_option=PaddleInferenceOption(), text_rec_kernel_option=PaddleInferenceOption(),) result = pipeline( "/paddle/dataset/paddlex/ocr_det/ocr_det_dataset_examples/images/train_img_100.jpg", ) draw_img = draw_ocr_box_txt(result['original_image'],result['dt_polys'], result["rec_text"]) cv2.imwrite("ocr_result.jpg", draw_img[:, :, ::-1], ) ``` 参数解释： - `task`: 任务类型，当前支持 `ocrdet` - `model`: 模型名称，当前支持 `PP-OCRv4_mobile_det` 和 `PP-OCRv4_mobile_rec`。

2.2 图像分类产线

图像分类产线内置了多个图像分类的单模型，包含 ResNet 系列、PP-LCNet 系列、MobileNetV2 系列、MobileNetV3 系列、ConvNeXt 系列、SwinTransformer 系列、PP-HGNet 系列、PP-HGNetV2 系列、CLIP 系列等模型。具体支持的分类模型列表，您可以参考模型库，您可以使用以下两种方式进行推理预测，如果在您的场景中，上述模型不能满足您的需求，您可以参考 PaddleX 模型训练文档进行训练，训练后的模型可以非常方便地集成到该产线中。

命令行使用方式

Python API 使用方式

```python from paddlex import ClsPipeline from paddlex import PaddleInferenceOption pipeline = ClsPipeline(model_name, kernel_option=PaddleInferenceOption()) result = pipeline( "/paddle/dataset/paddlex/cls/cls_flowers_examples/images/image_00006.jpg" ) print(result["cls_result"])

目标检测

from pathlib import Path
from paddlex import DetPipeline
from paddlex import PaddleInferenceOption

models = [
    "PicoDet-L",
    "PicoDet-S",
    "PP-YOLOE_plus-L",
    "PP-YOLOE_plus-M",
    "PP-YOLOE_plus-S",
    "PP-YOLOE_plus-X",
    "RT-DETR-H",
    "RT-DETR-L",
    "RT-DETR-R18",
    "RT-DETR-R50",
    "RT-DETR-X",
]
output_base = Path("output")

for model_name in models:
    output_dir = output_base / model_name
    try:
        pipeline = DetPipeline(model_name, output_dir=output_dir, kernel_option=PaddleInferenceOption())
        result = pipeline(
            "/paddle/dataset/paddlex/det/det_coco_examples/images/road0.png")
        print(result["boxes"])
    except Exception as e:
        print(f"[ERROR] model: {model_name}; err: {e}")
    print(f"[INFO] model: {model_name} done!")

实例分割

from pathlib import Path
from paddlex import InstanceSegPipeline
from paddlex import PaddleInferenceOption

models = ["Mask-RT-DETR-H", "Mask-RT-DETR-L"]
output_base = Path("output")

for model_name in models:
    output_dir = output_base / model_name
    try:
        pipeline = InstanceSegPipeline(model_name, output_dir=output_dir, kernel_option=PaddleInferenceOption())
        result = pipeline(
            "/paddle/dataset/paddlex/instance_seg/instance_seg_coco_examples/images/aircraft-women-fashion-pilot-48797.png"
        )
        print(result["masks"])
    except Exception as e:
        print(f"[ERROR] model: {model_name}; err: {e}")
    print(f"[INFO] model: {model_name} done!")

语义分割

from pathlib import Path
from paddlex import SegPipeline
from paddlex import PaddleInferenceOption


models = [
    "Deeplabv3-R50",
    "Deeplabv3-R101",
    "Deeplabv3_Plus-R50",
    "Deeplabv3_Plus-R101",
    "PP-LiteSeg-T",
    "OCRNet_HRNet-W48",
]

output_base = Path("output")

for model_name in models:
    output_dir = output_base / model_name
    try:
        pipeline = SegPipeline(model_name, output_dir=output_dir, kernel_option=PaddleInferenceOption())
        result = pipeline(
            "/paddle/dataset/paddlex/seg/seg_optic_examples/images/H0002.jpg"
        )
        print(result["seg_map"])
    except Exception as e:
        print(f"[ERROR] model: {model_name}; err: {e}")
    print(f"[INFO] model: {model_name} done!")

pipeline.md 6.1 KB Historique Raw