人工智能深度学习计算机视觉NLP语音【免费下载链接】modelsOfficially maintained, supported by PaddlePaddle, including CV, NLP, Speech, Rec, TS, big models and so on.项目地址https://gitcode.com/gh_mirrors/mo/models点击查看免费下载导读本文以 PaddlePaddle 官方模型库中 PP-PicoDet 下载指南 为核心系统梳理 PP-PicoDet 轻量级目标检测系列模型XS/S/M/L 四个规格、320/416/640 三种输入尺寸的权重文件、训练日志、推理导出模型含/不含后处理、ONNX 与 Paddle Litefp32/fp16部署产物的完整清单并结合本仓库 modelcenter/PP-PicoDet 目录下的 APP 推理实现、配置文件、Benchmark 数据与 FastDeploy 部署文档进行源码级纵深讲解。读完本文你将能够为不同算力场景CPU 服务器、移动端、边缘设备准确选择并下载合适的 PP-PicoDet 模型资源理解含后处理/不含后处理导出模型的本质区别掌握基于 Paddle Inference 的完整推理调用链并了解 ONNX、Paddle Lite 等第三方引擎的部署物料组织方式。一、PP-PicoDet 模型概述PP-PicoDet 是 PaddleDetection 提出的轻量级目标检测系列模型其 info.yaml 中将其定位为轻量级系列模型在移动端具有卓越的性能适用于移动端与 CPU 场景的部署description_en 中明确说明very suitable for deployment on mobile or CPU。模型由百度发布许可协议为 Apache 2.0对应的论文为PP-PicoDet: A Better Real-Time Object Detector on Mobile DevicesarXiv 2111.00902见 info.yaml。从 introduction_cn.ipynb 中的模型简介可知其核心特性包括高精度第一个在 1M 参数量级内使 mAP(0.5:0.95) 超过 30 的模型416 输入时快速度网络预测在 ARM CPU 下可达 150 FPS部署友好支持 PaddleLite / MNN / NCNN / OpenVINO 等预测库支持导出 ONNX先进算法在检测框架中引入了 ESNet高效主干网络、CSP-PAN特征融合、SimOTA标签分配等模块。在目标检测任务分类上它属于计算机视觉 / 目标检测见 info.yaml训练与评测数据集为 COCO train2017 / val2017 / test-dev2017 与 Pascal VOC。二、基础模型库权重与推理模型下载清单download_cn.md 首先给出了基础模型库清单覆盖 PicoDet-XS、PicoDet-S、PicoDet-M、PicoDet-L 四个规格每个规格分别提供 320×320、416×416 输入版本PicoDet-L 另有 640×640 版本共 9 个模型。每个模型对应四类资源训练权重.pdparams、训练日志.log、训练配置文件.yml与导出推理模型.tar。其中导出推理模型分为两种形态导出形态说明w/ 后处理含后处理推理网络中已包含 NMS 等后处理算子推理输出直接是最终检测框结果部署端无需再实现后处理逻辑w/o 后处理不含后处理网络仅输出原始预测如框、类别得分、分布等后处理需在部署端自行实现适合与第三方引擎深度定制集成完整清单如下所有产物托管于 PaddleDetection 官方模型文件服务器下载地址入口见仓库内 download_cn.md 原文表格模型输入尺寸权重文件训练日志导出模型含后处理导出模型不含后处理PicoDet-XS320×320picodet_xs_320_coco_lcnet.pdparamstrain_picodet_xs_320_coco_lcnet.logpicodet_xs_320_coco_lcnet.tarpicodet_xs_320_coco_lcnet_non_postprocess.tarPicoDet-XS416×416picodet_xs_416_coco_lcnet.pdparamstrain_picodet_xs_416_coco_lcnet.logpicodet_xs_416_coco_lcnet.tarpicodet_xs_416_coco_lcnet_non_postprocess.tarPicoDet-S320×320picodet_s_320_coco_lcnet.pdparamstrain_picodet_s_320_coco_lcnet.logpicodet_s_320_coco_lcnet.tarpicodet_s_320_coco_lcnet_non_postprocess.tarPicoDet-S416×416picodet_s_416_coco_lcnet.pdparamstrain_picodet_s_416_coco_lcnet.logpicodet_s_416_coco_lcnet.tarpicodet_s_416_coco_lcnet_non_postprocess.tarPicoDet-M320×320picodet_m_320_coco_lcnet.pdparamstrain_picodet_m_320_coco_lcnet.logpicodet_m_320_coco_lcnet.tarpicodet_m_320_coco_lcnet_non_postprocess.tarPicoDet-M416×416picodet_m_416_coco_lcnet.pdparamstrain_picodet_m_416_coco_lcnet.logpicodet_m_416_coco_lcnet.tarpicodet_m_416_coco_lcnet_non_postprocess.tarPicoDet-L320×320picodet_l_320_coco_lcnet.pdparamstrain_picodet_l_320_coco_lcnet.logpicodet_l_320_coco_lcnet.tarpicodet_l_320_coco_lcnet_non_postprocess.tarPicoDet-L416×416picodet_l_416_coco_lcnet.pdparamstrain_picodet_l_416_coco_lcnet.logpicodet_l_416_coco_lcnet.tarpicodet_l_416_coco_lcnet_non_postprocess.tarPicoDet-L640×640picodet_l_640_coco_lcnet.pdparamstrain_picodet_l_640_coco_lcnet.logpicodet_l_640_coco_lcnet.tarpicodet_l_640_coco_lcnet_non_postprocess.tar命名规律解读文件名picodet_{规格}_{输入尺寸}_coco_lcnet中coco表示在 COCO 数据集上训练lcnet表示主干网络采用 LCNet轻量级卷积网络non_postprocess后缀即不含后处理版本。输入尺寸直接嵌入文件名便于按部署算力挑选。各模型的训练配置文件位于 PaddleDetection 仓库configs/picodet/目录如picodet_s_320_coco_lcnet.yml负责定义网络结构、数据集路径、训练超参与后处理参数。本仓库中 APP/configs/PP-PicoDet.yml 提供了面向推理的等效配置详见本文第五节。三、部署模型库ONNX 与 Paddle Lite 产物清单针对第三方推理引擎与移动端部署download_cn.md 的第二张表提供了部署模型库清单覆盖 ONNX同样区分含/不含后处理与 Paddle Litefp32 / fp16两类产物模型输入尺寸ONNX含后处理ONNX不含后处理Paddle Lite fp32Paddle Lite fp16PicoDet-XS320×320picodet_xs_320_lcnet_postprocessed.onnxpicodet_xs_320_coco_lcnet.onnxpicodet_xs_320_coco_lcnet.tarpicodet_xs_320_coco_lcnet_fp16.tarPicoDet-XS416×416picodet_xs_416_lcnet_postprocessed.onnxpicodet_xs_416_coco_lcnet.onnxpicodet_xs_416_coco_lcnet.tarpicodet_xs_416_coco_lcnet_fp16.tarPicoDet-S320×320picodet_s_320_lcnet_postprocessed.onnxpicodet_s_320_coco_lcnet.onnxpicodet_s_320_coco_lcnet.tarpicodet_s_320_coco_lcnet_fp16.tarPicoDet-S416×416picodet_s_416_lcnet_postprocessed.onnxpicodet_s_416_coco_lcnet.onnxpicodet_s_416_coco_lcnet.tarpicodet_s_416_coco_lcnet_fp16.tarPicoDet-M320×320picodet_m_320_lcnet_postprocessed.onnxpicodet_m_320_coco_lcnet.onnxpicodet_m_320_coco_lcnet.tarpicodet_m_320_coco_lcnet_fp16.tarPicoDet-M416×416picodet_m_416_lcnet_postprocessed.onnxpicodet_m_416_coco_lcnet.onnxpicodet_m_416_coco_lcnet.tarpicodet_m_416_coco_lcnet_fp16.tarPicoDet-L320×320picodet_l_320_lcnet_postprocessed.onnxpicodet_l_320_coco_lcnet.onnxpicodet_l_320_coco_lcnet.tarpicodet_l_320_coco_lcnet_fp16.tarPicoDet-L416×416picodet_l_416_lcnet_postprocessed.onnxpicodet_l_416_coco_lcnet.onnxpicodet_l_416_coco_lcnet.tarpicodet_l_416_coco_lcnet_fp16.tarPicoDet-L640×640picodet_l_640_lcnet_postprocessed.onnxpicodet_l_640_coco_lcnet.onnxpicodet_l_640_coco_lcnet.tarpicodet_l_640_coco_lcnet_fp16.tar选用建议ONNX 含后处理版*_postprocessed.onnx适合直接接入 MNN、NCNN、OpenVINO 等成熟推理框架开箱即用ONNX 不含后处理版*_coco_lcnet.onnx适合需要自定义后处理如自定义 NMS 策略、与业务逻辑融合或二次量化的场景Paddle Lite fp16 版*_fp16.tar专为 ARM 移动端优化在支持 fp16 计算的终端上可获得显著加速对应 benchmark_cn.md 中LiteFP16 预测一栏的时延数据。注意 ONNX 命名中含后处理用postprocessed标识而基础模型库中用non_postprocess标识不含后处理两者命名约定不同下载时需仔细区分。四、精度与速度 Benchmark 参考benchmark_cn.md 给出了全部 9 个模型的精度COCO mAP与算力需求参数量、FLOPS及预测时延CPU 与 Paddle Lite 双平台是选择模型规格的重要依据模型输入尺寸mAP val 0.5:0.95mAP val 0.5参数量 (M)FLOPS (G)CPU 时延 (ms)Lite 时延 (ms)PicoDet-XS320×32023.536.10.700.673.97.81PicoDet-XS416×41626.239.30.701.136.112.38PicoDet-S320×32029.143.41.180.974.89.56PicoDet-S416×41632.547.61.181.656.615.20PicoDet-M320×32034.450.03.462.578.217.68PicoDet-M416×41637.553.43.464.3412.728.39PicoDet-L320×32036.152.05.804.2011.525.21PicoDet-L416×41639.455.75.807.1020.742.23PicoDet-L640×64042.659.25.8016.8162.5108.1测试条件摘自原文档说明所有模型在Intel Core i7 10750H CPUOpenVINO 测试与骁龙 8654xA774xA55ARM CPU4 线程FP16 预测Paddle Lite 测试上测速模型在 COCO train2017 上训练、COCO val2017 上验证使用 4 卡 GPU 训练上表预训练模型均由发布的默认配置训练得到测速时导出模型不含后处理后处理不包含在网络中需在导出时设置-o export.benchmarkTrue或手动修改 PaddleDetection 的 runtime.yml 中对应开关。选型参考从 0.70M 参数的 XS320 输入CPU 仅 3.9ms到 5.80M 参数的 L640 输入mAP 42.6精度与时延呈清晰梯度。追求极致轻量与低时延选 XS/S追求精度上限选 L640×640。五、仓库内快速体验基于 Paddle Inference 的推理实现本仓库在 modelcenter/PP-PicoDet/APP 目录下提供了开箱即用的 PP-PicoDet 推理 DemoGradio Web 应用可直接复现下载模型 → 推理 → 可视化的完整链路代码量小且高度可读。5.1 运行环境与依赖requirements.txt 列出了所需依赖gradioWeb 界面、opencv-python图像解码与缩放、paddlepaddle推理框架、PyYAML配置解析、shapely/scipy/Cython/numpy/pillow等。安装后即可运行。app.yml 声明了应用元信息SDK 为 Gradio版本 3.9.1入口文件为app.py默认运行在 CPU 设备许可证 Apache-2.0。5.2 推理入口与流程app.py 的推理入口非常简洁def model_inference(image): image, json_out Detector(PP-PicoDet)(image) return image, json_out传入图片后返回标注了检测框的结果图与 JSON 格式的检测结果含各框坐标与置信度。真正的推理逻辑封装在 src/detection.py 的Detector类中其核心流程如下配置加载读取 configs/PP-PicoDet.yml获取模型路径、预处理算子、标签列表等模型准备通过get_model_path获取paddlecv://models/picodet_s_320_coco_lcnet/model.pdiparams与model.pdmodel对应的本地文件首次使用时自动下载详见 5.4Predictor 构建基于 Paddle Inference 的Config创建预测器支持 CPU/GPU 与 TensorRTtrt_int8/trt_fp32/trt_fp16多种运行模式detection.py输入预处理按配置依次执行 Resize → NormalizeImage → Permute 等算子并组装im_shape、scale_factor、image三个输入张量detection.py推理与过滤运行预测器读取检测框输出按draw_threshold默认 0.5过滤低置信度框最终绘制可视化结果并返回 JSONdetection.py。5.3 推理配置详解configs/PP-PicoDet.yml 是理解整个推理链的关键各字段含义如下配置项值说明modepaddle推理运行模式可为paddle或 TensorRT 模式trt_fp32/trt_fp16/trt_int8device缺省默认 CPU运行设备CPU或GPUcpu_threads缺省默认 1CPU 推理线程数draw_threshold0.5可视化与输出结果的置信度阈值metricCOCO评测指标use_dynamic_shapefalse是否启用 TensorRT 动态输入形状archGFL网络架构Generalized Focal Loss 检测头min_subgraph_size3TensorRT 子图融合的最小节点数model_path/param_pathpaddlecv://models/...推理模型结构文件与参数文件Paddle 推理模型格式Preprocess三组算子见下表label_list80 类COCO 80 类目标名称用于可视化标注Preprocess预处理链与各算子参数Preprocess: - interp: 2 # 插值方式2 即 cv2.INTER_LINEAR 双线性插值 keep_ratio: false # 不保持宽高比直接缩放到 target_size target_size: [320, 320] # 与模型输入尺寸一致 type: Resize - is_scale: true # 像素值除以 255 归一化 mean: [0.485, 0.456, 0.406] # ImageNet 统计均值 std: [0.229, 0.224, 0.225] # ImageNet 统计标准差 type: NormalizeImage - type: Permute # HWC → CHW 维度变换对应的底层实现在 src/preprocess.pyResize计算缩放比例并执行cv2.resizeNormalizeImage先im * 1/255再按 mean/std 做标准化Permute将(H, W, C)转置为(C, H, W)。需要注意的是推理预处理必须与模型训练时的预处理保持一致本配置即对应 PaddleDetection 中picodet_s_320_coco_lcnet.yml的标准预处理否则精度会明显下降。5.4 模型自动下载机制src/download.py 实现了paddlecv://协议到实际下载地址的映射与缓存逻辑其要点包括缓存目录模型权重缓存在~/.cache/paddlecv/models配置缓存在~/.cache/paddlecv/configspaddlecv://前缀会被替换为PMP_DOWNLOAD_URL_PREFIX指定的下载服务前缀download.py下载带MD5 完整性校验对.pdparams权重文件会从响应头content-md5读取校验值比对download.py下载失败自动重试重试上限为 3 次DOWNLOAD_RETRY_LIMIT采用先写临时文件、完成后原子改名的策略避免下载中断产生半成品文件download.py本地已存在且 MD5 校验通过的文件会直接复用不重复下载。运行方式在 modelcenter/PP-PicoDet/APP 目录下安装依赖后执行python app.py即可启动 Gradio 界面上传图片实时体验 PP-PicoDet 的检测效果默认示例图片可在app.py中看到其入口 URL本仓库 paddlecv/demo 目录也提供了可直接测试的示例图片。六、基于 FastDeploy 的高性能云边端部署除 Paddle Inference 外本仓库还提供了基于 FastDeploy 的部署方案说明见 fastdeploy_cn.md。FastDeploy 是面向全场景的 AI 推理部署工具支持 X86 CPU、NVIDIA GPU、ARM CPU、XPU、NPU、IPU 等硬件通过一行代码即可切换推理后端。部署流程概括为三步安装 FastDeploy 预编译包如pip install fastdeploy-gpu-pythonGPU 场景需预先准备 CUDA ≥ 11.2 环境具体安装源与最新版本见 FastDeploy 官方发布说明原文档含完整安装命令获取部署示例代码克隆 FastDeploy 仓库后进入examples/vision/detection/paddledetection/python/示例目录下载模型与测试图片并运行推理下载picodet_l_320_coco_lcnet.tgz对应本文第二节表中的 PicoDet-L 320 导出模型并解压分别执行 CPU、GPU、GPUTensorRT 推理python infer_picodet.py --model_dir picodet_l_320_coco_lcnet --image 000000014439.jpg --device cpu python infer_picodet.py --model_dir picodet_l_320_coco_lcnet --image 000000014439.jpg --device gpu python infer_picodet.py --model_dir picodet_l_320_coco_lcnet --image 000000014439.jpg --device gpu --use_trt True注意TensorRT 推理首次运行时需要进行引擎序列化耗时较长属正常现象。该示例路径与本仓库的模型下载表相互印证——下载表中提供的导出模型.tar 包正是此类部署场景直接使用的物料。七、常见问题与注意事项含后处理与不含后处理模型选哪个若部署框架自带 NMS 等后处理算子或需要深度定制选non_postprocess/ 不含后处理版若追求开箱即用选含后处理版。两者输入输出协议不同混用会导致推理结果异常。Benchmark 时延如何复现官方时延数据基于不含后处理的导出模型测得导出时需设置-o export.benchmarkTrue或修改 PaddleDetectionconfigs/runtime.yml中对应开关否则测得的时延会包含后处理算子耗时与官方数据不可比。推理精度为何与官方 mAP 不符优先检查预处理是否与训练一致输入尺寸需与模型名一致320/416/640归一化需使用与 PP-PicoDet.yml 相同的 mean/std 与is_scaleTrue并完成 HWC→CHW 转置。下载中断或文件损坏怎么办仓库的下载模块内置 MD5 校验与 3 次重试本地缓存文件校验失败会自动重新下载若手动下载.pdparams权重请核对官方提供的 MD5 值。运行环境要求Paddle Inference 推理需安装paddlepaddleFastDeploy GPU 部署需 CUDA ≥ 11.2Paddle Lite fp16 模型需目标 ARM 设备支持 fp16 计算。结语本文以 download_cn.md 的模型下载清单为主线完整梳理了 PP-PicoDet 全系列基础模型与部署模型的产物形态与选型方法并通过 APP 目录下的源码剖析了从配置解析、预处理到推理输出的完整调用链结合 benchmark_cn.md 的实测数据与 fastdeploy_cn.md 的部署示例构成了选模型 → 下权重 → 本地推理 → 云端/边缘部署的全链路参考。读者可进一步阅读 introduction_cn.ipynb 了解算法细节与训练方法或在本仓库 paddlecv 目录中探索其作为统一视觉推理框架内单算子/系统级配置的实际应用。赞分享人工智能深度学习计算机视觉NLP语音【免费下载链接】modelsOfficially maintained, supported by PaddlePaddle, including CV, NLP, Speech, Rec, TS, big models and so on.项目地址https://gitcode.com/gh_mirrors/mo/models点击查看免费下载相关推荐PP-YOLOE 模型下载与部署实战指南Model Zoo 权重获取、推理配置与 Paddle Inference / FastDeploy 落地PP YOLOE 模型下载与部署实战指南Model Zoo 权重获取、推理配置与 Paddle Inference / FastDeploy 落地 本文以人工智能深度学习计算机视觉NLP语音PP-PicoDet 下载与部署指南基于 PaddleDetection 的轻量级目标检测模型清单与多端推理方案PP PicoDet 下载与部署指南基于 PaddleDetection 的轻量级目标检测模型清单与多端推理方案 导读 本文基于当前仓库 modelcente人工智能深度学习计算机视觉NLP语音PaddleSMRT 检测模型选型全流程指南数据特点分析、推荐配置与 PP-YOLOE/PicoDet 产业部署实战PaddleSMRT 检测模型选型全流程指南数据特点分析、推荐配置与 PP YOLOE/PicoDet 产业部署实战 PaddleSMRTPaddle Se人工智能深度学习计算机视觉上一篇十分钟下载一条视频号视频res-downloader 资源嗅探上手指南下一篇AI-For-Beginners 课程之自然语言处理NLP学习路线从文本表示到大型语言模型创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考