Skip to content

Latest commit

 

History

History
75 lines (64 loc) · 5.58 KB

pipeline_develop_tools.md

File metadata and controls

75 lines (64 loc) · 5.58 KB
Raw

PaddleX 模型产线开发工具

PaddleX 模型产线开发流程图

graph LR
    select_pipeline(选择产线) --> online_experience[快速体验]
    online_experience --> online_ok{效果满意？}
    online_ok --不满意--> select_model[选择模型]
    select_model --> model_finetune[模型微调]
    online_ok --满意--> development_integration(开发集成/部署)
    model_finetune --> pipeline_test[产线测试]
    pipeline_test --> test_ok{效果满意？}
    test_ok --不满意--> select_model
    test_ok --满意--> development_integration
Loading

PaddleX 提供了丰富的模型产线，模型产线由一个或多个模型组合实现，每个模型产线都能够解决特定的场景任务问题。PaddleX 所提供的模型产线均支持快速体验，如果效果不及预期，也同样支持使用私有数据微调模型，并且 PaddleX 提供了 Python API，方便将产线集成到个人项目中。在使用之前，您首先需要安装 PaddleX， 安装方式请参考PaddleX 安装。此处以一个车牌识别的任务为例子，介绍模型产线工具的使用流程。

  • 1.【选择产线】：首先，需要根据您的任务场景，选择对应的 PaddleX 产线，此处为车牌识别，需要了解到这个任务属于 OCR 任务，对应 PaddleX 的通用 OCR 产线。如果无法确定任务和产线的对应关系，您可以在 PaddleX 支持的模型产线模型产线列表中了解相关产线的能力介绍。

  • 2.【快速体验】PaddleX 提供了两种体验的方式，一种是可以直接通过 PaddleX wheel 包在本地体验，另外一种是可以在AI Studio 星河社区上体验。

    • 本地体验方式： 
      paddlex --pipeline OCR --model PP-OCRv4_mobile_det PP-OCRv4_mobile_rec --input https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png --device gpu:0
      注： 通用 OCR 产线是一个多模型串联的产线，包含文本检测模型（如 PP-OCRv4_mobile_det）和文本识别模型（如 PP-OCRv4_mobile_rec），因此需要指定两个模型进行体验。
    • 星河社区体验方式：前往AI Studio 星河社区，点击【创建产线】，创建通用 OCR 产线进行快速体验；

  • 3.【选择模型】（可选）当体验完该产线之后，需要确定产线是否符合预期（包含精度、速度等），产线包含的模型是否需要继续微调，如果模型的速度或者精度不符合预期，则需要根据模型选择选择可替换的模型继续测试，确定效果是否满意。如果最终效果均不满意，则需要微调模型。在确定微调的模型时，需要根据测试的情况确定微调其中的哪个模型，如发现文字的定位不准，则需要微调文本检测模型，如果发现文字的识别不准，则需要微调文本识别模型。

  • 4.【模型微调】（可选）在第 3 步选择好对应的模型后，即可使用单模型开发工具以低代码的方式进行模型微调训练和优化，如此处需要优化文本识别模型（PP-OCRv4_mobile_rec），则只需要完成【数据校验】和【模型训练】，二者命令如下：

    # 数据校验
python main.py -c paddlex/configs/text_recognition/PP-OCRv4_mobile_rec.yaml \
    -o Global.mode=check_dataset \
    -o Global.dataset_dir=your/dataset_dir
# 模型训练
python main.py -c paddlex/configs/text_recognition/PP-OCRv4_mobile_rec.yaml \
    -o Global.mode=train \
    -o Global.dataset_dir=your/dataset_dir

    关于模型更多的训练和优化内容，请参考PaddleX 单模型开发工具；

  • 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，如：

    paddlex --pipeline OCR --model PP-OCRv4_mobile_det PP-OCRv4_mobile_rec --model_dir None "your/model_dir" --input https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png --device gpu:0

    此处更多内容，参考模型产线推理预测，此处如果效果满意，可以跳到第 6 步，如果效果不满意，则可以回到第 4 步继续微调模型。

  • 6.【开发集成/部署】

    此处提供轻量级的 PaddleX Python API 的集成方式，也提供高性能推理/服务化部署的方式部署模型。 PaddleX Python API 的集成方式如下：

      import cv2
  from paddlex import OCRPipeline
  from paddlex import PaddleInferenceOption
  from paddlex.pipelines.OCR.utils import draw_ocr_box_txt

  # 实例化 PaddleInferenceOption 设置推理配置
  kernel_option = PaddleInferenceOption()
  kernel_option.set_device("gpu:0")

  pipeline = OCRPipeline(
      'PP-OCRv4_mobile_det',
      'PP-OCRv4_mobile_rec',
      text_det_kernel_option=kernel_option,
      text_rec_kernel_option=kernel_option,)
  result = pipeline.predict(
      {"input_path": "https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png"},
  )

  draw_img = draw_ocr_box_txt(result['original_image'], result['dt_polys'], result["rec_text"])
  cv2.imwrite("ocr_result.jpg", draw_img[:, :, ::-1])

    其他产线的 Python API 集成方式可以参考PaddleX 模型产线推理预测。

    PadleX 同样提供了高性能的离线部署和服务化部署方式，具体参考基于 FastDeploy 的模型产线部署。