Awesome

🔍 简介

PaddleX 3.0 是基于飞桨框架构建的低代码开发工具，它集成了众多开箱即用的预训练模型，可以实现模型从训练到推理的全流程开发，支持国内外多款主流硬件，助力AI 开发者进行产业实践。

🌟 特性

🎨 模型丰富一键调用：将覆盖文本图像智能分析、OCR、目标检测、时序预测等多个关键领域的 200+ 飞桨模型整合为 19 条模型产线，通过极简的 Python API 一键调用，快速体验模型效果。同时支持 20+ 单功能模块，方便开发者进行模型组合使用。

🚀 提高效率降低门槛：实现基于统一命令和图形界面的模型全流程开发，打造大小模型结合、大模型半监督学习和多模型融合的8 条特色模型产线，大幅度降低迭代模型的成本。

🌐 多种场景灵活部署：支持高性能部署、服务化部署和端侧部署等多种部署方式，确保不同应用场景下模型的高效运行和快速响应。

🔧 主流硬件高效支持：支持英伟达 GPU、昆仑芯、昇腾和寒武纪等多种主流硬件的无缝切换，确保高效运行。

📣 近期更新

🔥🔥 《PaddleX三大部署能力详解与实战》，高性能推理、服务化部署、端侧部署全面升级。高性能推理深度优化模型推理与处理性能，大幅减少模型推理耗时；服务化部署提供7种语言调用示例，提升系统灵活性、扩展性和可维护性；端侧部署升级支持 ARM CPU 与 Mali/Adreno GPU 部署，模型更轻量级、耗费资源更少、执行速度更快。11月7日（周四）19：00直播为您深度解析 PaddleX 3.0 Beta1 在部署方面的功能、优势与技巧。 报名链接

🔥🔥 2024.9.30，PaddleX 3.0 Beta1 开源版正式发布，提供 200+ 模型 通过极简的 Python API 一键调用；实现基于统一命令的模型全流程开发，并开源 PP-ChatOCRv3 特色模型产线基础能力；支持 100+ 模型高性能推理和服务化部署（持续迭代中），4条模型产线8个重点视觉模型端侧部署；100+ 模型开发全流程适配昇腾 910B，39+ 模型开发全流程适配昆仑芯和寒武纪。

🔥 2024.6.27，PaddleX 3.0 Beta 开源版正式发布，支持以低代码的方式在本地端使用多种主流硬件进行产线和模型开发。

🔥 2024.3.25，PaddleX 3.0 云端发布，支持在 AI Studio 星河社区 以零代码的方式【创建产线】使用。

🔠 模型产线说明

PaddleX 致力于实现产线级别的模型训练、推理与部署。模型产线是指一系列预定义好的、针对特定AI任务的开发流程，其中包含能够独立完成某类任务的单模型（单功能模块）组合。

📊 能力支持

PaddleX的各个产线均支持本地快速推理，部分模型支持在AI Studio星河社区上进行在线体验，您可以快速体验各个产线的预训练模型效果，如果您对产线的预训练模型效果满意，可以直接对产线进行高性能推理/服务化部署/端侧部署，如果不满意，您也可以使用产线的二次开发能力，提升效果。完整的产线开发流程请参考PaddleX产线使用概览或各产线使用教程。

此外，PaddleX在AI Studio星河社区为开发者提供了基于云端图形化开发界面的全流程开发工具, 点击【创建产线】，选择对应的任务场景和模型产线，就可以开启全流程开发。详细请参考教程《零门槛开发产业级AI模型》

❗注：以上功能均基于 GPU/CPU 实现。PaddleX 还可在昆仑芯、昇腾、寒武纪和海光等主流硬件上进行快速推理和二次开发。下表详细列出了模型产线的支持情况，具体支持的模型列表请参阅模型列表(昆仑芯XPU)/模型列表(昇腾NPU)/模型列表(寒武纪MLU)/模型列表(海光DCU)。我们正在适配更多的模型，并在主流硬件上推动高性能和服务化部署的实施。

🔥🔥 国产化硬件能力支持

⏭️ 快速开始

🛠️ 安装

❗安装 PaddleX 前请先确保您有基础的 Python 运行环境（注：当前支持Python 3.8 ～ Python 3.10下运行，更多Python版本适配中）。

• 安装 PaddlePaddle

# cpu
python -m pip install paddlepaddle==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

# gpu，该命令仅适用于 CUDA 版本为 11.8 的机器环境
python -m pip install paddlepaddle-gpu==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

# gpu，该命令仅适用于 CUDA 版本为 12.3 的机器环境
python -m pip install paddlepaddle-gpu==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cu123/

❗ 更多飞桨 Wheel 版本请参考飞桨官网。

• 安装PaddleX

pip install https://paddle-model-ecology.bj.bcebos.com/paddlex/whl/paddlex-3.0.0b1-py3-none-any.whl

❗ 更多安装方式参考 PaddleX 安装教程

💻 命令行使用

一行命令即可快速体验产线效果，统一的命令行格式为：

paddlex --pipeline [产线名称] --input [输入图片] --device [运行设备]

只需指定三个参数：

• pipeline：产线名称
• input：待处理的输入文件（如图片）的本地路径或 URL
• device: 使用的 GPU 序号（例如gpu:0表示使用第 0 块 GPU），也可选择使用 CPU（cpu）

以通用 OCR 产线为例：

paddlex --pipeline OCR --input https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png --device gpu:0

{
'input_path': '/root/.paddlex/predict_input/general_ocr_002.png',
'dt_polys': [array([[161,  27],
       [353,  22],
       [354,  69],
       [162,  74]], dtype=int16), array([[426,  26],
       [657,  21],
       [657,  58],
       [426,  62]], dtype=int16), array([[702,  18],
       [822,  13],
       [824,  57],
       [704,  62]], dtype=int16), array([[341, 106],
       [405, 106],
       [405, 128],
       [341, 128]], dtype=int16)
       ...],
'dt_scores': [0.758478200014338, 0.7021546472698513, 0.8536622648391111, 0.8619181462164781, 0.8321051217096188, 0.8868756173427551, 0.7982964727675609, 0.8289939036796322, 0.8289428877522524, 0.8587063317632897, 0.7786755892491615, 0.8502032769081344, 0.8703346500042997, 0.834490931790065, 0.908291103353393, 0.7614978661708064, 0.8325774055997542, 0.7843421347676149, 0.8680889482955594, 0.8788859304537682, 0.8963341277518075, 0.9364654810069546, 0.8092413027028257, 0.8503743089091863, 0.7920740420391101, 0.7592224394793805, 0.7920547400069311, 0.6641757962457888, 0.8650289477605955, 0.8079483304467047, 0.8532207681055275, 0.8913377034754717],
'rec_text': ['登机牌', 'BOARDING', 'PASS', '舱位', 'CLASS', '序号 SERIALNO.', '座位号', '日期 DATE', 'SEAT NO', '航班 FLIGHW', '035', 'MU2379', '始发地', 'FROM', '登机口', 'GATE', '登机时间BDT', '目的地TO', '福州', 'TAIYUAN', 'G11', 'FUZHOU', '身份识别IDNO', '姓名NAME', 'ZHANGQIWEI', 票号TKTNO', '张祺伟', '票价FARE', 'ETKT7813699238489/1', '登机口于起飞前10分钟关闭GATESCLOSE10MINUTESBEFOREDEPARTURETIME'],
'rec_score': [0.9985831379890442, 0.999696917533874512, 0.9985735416412354, 0.9842517971992493, 0.9383274912834167, 0.9943678975105286, 0.9419361352920532, 0.9221674799919128, 0.9555020928382874, 0.9870321154594421, 0.9664073586463928, 0.9988052248954773, 0.9979352355003357, 0.9985110759735107, 0.9943482875823975, 0.9991195797920227, 0.9936401844024658, 0.9974591135978699, 0.9743705987930298, 0.9980487823486328, 0.9874696135520935, 0.9900962710380554, 0.9952947497367859, 0.9950481653213501, 0.989926815032959, 0.9915552139282227, 0.9938777685165405, 0.997239887714386, 0.9963340759277344, 0.9936134815216064, 0.97223961353302]}

可视化结果如下：

其他产线的命令行使用，只需将 pipeline 参数调整为相应产线的名称。下面列出了每个产线对应的命令：

📝 Python 脚本使用

几行代码即可完成产线的快速推理，统一的 Python 脚本格式如下：

from paddlex import create_pipeline

pipeline = create_pipeline(pipeline=[产线名称])
output = pipeline.predict([输入图片名称])
for res in output:
    res.print()
    res.save_to_img("./output/")
    res.save_to_json("./output/")

执行了如下几个步骤：

• create_pipeline() 实例化产线对象
• 传入图片并调用产线对象的 predict 方法进行推理预测
• 对预测结果进行处理

其他产线的 Python 脚本使用，只需将 create_pipeline() 方法的 pipeline 参数调整为相应产线的名称。下面列出了每个产线对应的参数名称及详细的使用解释：

📖 文档

• 📦 PaddlePaddle 安装教程
• 📦 PaddleX 安装教程

• 📑 PaddleX 产线使用概览

• <details open> <summary> <b> 📝 文本图像智能分析 </b></summary>
  • 📄 文档场景信息抽取v3产线使用教程
  </details>
• <details open> <summary> <b> 🔍 OCR </b></summary>
  • 📜 通用 OCR 产线使用教程
  • 📊 通用表格识别产线使用教程
  • 📄 通用版面解析产线使用教程
  • 📐 公式识别产线使用教程
  • 📝 印章文本识别产线使用教程
  </details>
• <details open> <summary> <b> 🎥 计算机视觉 </b></summary>
  • 🖼️ 通用图像分类产线使用教程
  • 🎯 通用目标检测产线使用教程
  • 📋 通用实例分割产线使用教程
  • 🗣️ 通用语义分割产线使用教程
  • 🏷️ 图像多标签分类产线使用教程
  • 🔍 小目标检测产线使用教程
  • 🖼️ 图像异常检测产线使用教程
• <details open> <summary> <b> ⏱️ 时序分析</b> </summary>
  • 📈 时序预测产线使用教程
  • 📉 时序异常检测产线使用教程
  • 🕒 时序分类产线使用教程
  </details>
• <details> <summary> <b>🔧 相关说明文件</b> </summary>
  • 🖥️ PaddleX 产线命令行使用说明
  • 📝 PaddleX 产线 Python 脚本使用说明
  </details>

• <details open> <summary> <b> 🔍 OCR </b></summary>
  • 📝 文本检测模块使用教程
  • 🔖 印章文本检测模块使用教程
  • 🔠 文本识别模块使用教程
  • 🗺️ 版面区域检测模块使用教程
  • 📊 表格结构识别模块使用教程
  • 📄 文档图像方向分类使用教程
  • 🔧 文本图像矫正模块使用教程
  • 📐 公式识别模块使用教程
  </details>
• <details open> <summary> <b> 🖼️ 图像分类 </b></summary>
  • 📂 图像分类模块使用教程
  • 🏷️ 图像多标签分类模块使用教程
  • 👤 行人属性识别模块使用教程
  • 🚗 车辆属性识别模块使用教程
  </details>
• <details open> <summary> <b> 🏞️ 图像特征 </b></summary>
  • 🔗 图像特征模块使用教程
  </details>
• <details open> <summary> <b> 🎯 目标检测 </b></summary>
  • 🎯 目标检测模块使用教程
  • 📏 小目标检测模块使用教程
  • 🧑‍🤝‍🧑 人脸检测模块使用教程
  • 🔍 主体检测模块使用教程
  • 🚶 行人检测模块使用教程
  • 🚗 车辆检测模块使用教程
  </details>
• <details open> <summary> <b> 🖼️ 图像分割 </b></summary>
  • 🗺️ 语义分割模块使用教程
  • 🔍 实例分割模块使用教程
  • 🚨 图像异常检测模块使用教程
  </details>
• <details open> <summary> <b> ⏱️ 时序分析 </b></summary>
  • 📈 时序预测模块使用教程
  • 🚨 时序异常检测模块使用教程
  • 🕒 时序分类模块使用教程
  </details>
• <details> <summary> <b> 📄 相关说明文件 </b></summary>
  • 📝 PaddleX 单模型 Python 脚本使用说明
  • 📝 PaddleX 通用模型配置文件参数说明
  • 📝 PaddleX 时序任务模型配置文件参数说明
  </details>

• 🚀 PaddleX 高性能推理指南
• 🖥️ PaddleX 服务化部署指南
• 📱 PaddleX 端侧部署指南

• 🔧 多硬件使用指南
• 🖲️ 海光 DCU 飞桨安装教程
• 🔲 寒武纪 MLU 飞桨安装教程
• 💻 昇腾 NPU 飞桨安装教程
• 🔌 昆仑 XPU 飞桨安装教程

• 📑 文档场景信息抽取v3模型产线———论文文献信息抽取应用教程

• 📑 文档场景信息抽取v3模型产线———印章信息抽取应用教程

• 🖼️ 通用图像分类模型产线———垃圾分类教程

• 🧩 通用实例分割模型产线———遥感图像实例分割教程

• 👥 通用目标检测模型产线———行人跌倒检测教程

• 👗 通用目标检测模型产线———服装时尚元素检测教程

• 🚗 通用 OCR 模型产线———车牌识别教程

• ✍️ 通用 OCR 模型产线———手写中文识别教程

• 🗣️ 通用语义分割模型产线———车道线分割教程

• 🛠️ 时序异常检测模型产线———设备异常检测应用教程

• 🎢 时序分类模型产线———心跳监测时序数据分类应用教程

• 🔋 时序预测模型产线———用电量长期预测应用教程

  </details>

🤔 FAQ

关于我们项目的一些常见问题解答，请参考FAQ。如果您的问题没有得到解答，请随时在 Issues 中提出

💬 Discussion

我们非常欢迎并鼓励社区成员在 Discussions 板块中提出问题、分享想法和反馈。无论您是想要报告一个 bug、讨论一个功能请求、寻求帮助还是仅仅想要了解项目的最新动态，这里都是一个绝佳的平台。

📄 许可证书

本项目的发布受 Apache 2.0 license 许可认证。