博客首页开源平台

PP-YOLOE 模型下载与部署指南：PaddlePaddle models 模型中心实战全解析

原创2026-10-07 23:56:50190 阅读
文章标签：人工智能深度学习计算机视觉NLP语音

PP-YOLOE 模型下载与部署指南：PaddlePaddle models 模型中心实战全解析

本篇指南以 PaddlePaddle 官方 models 仓库 modelcenter/PP-YOLOE/download_en.md 为核心，系统梳理 PP-YOLOE（s/m/l/x）模型家族的下载方式、配置含义、精度基准与推理部署全流程，并结合仓库内 benchmark_en.md、fastdeploy_en.md、introduction_en.ipynb 及 APP 目录源码做源码级佐证。读者读完可掌握 PP-YOLOE 权重的获取途径、PaddleInference/TensorRT/FastDeploy 三种部署方式的完整命令，以及模型中心 App 的底层调用机制。

一、PP-YOLOE 模型家族概览（Model Zoo）

PP-YOLOE 是基于 PP-YOLOv2 演化而来的单阶段 Anchor-free 目标检测模型，其模型系列由 s/m/l/x 四个规格构成，通过宽度乘子（width multiplier）与深度乘子（depth multiplier） 配置不同的骨干网络规模。设计上刻意避免使用 Deformable Convolution、Matrix NMS 等特殊算子，因此对各类硬件部署友好（详见 introduction_en.ipynb 第 1 节与 info.yaml）。

模型中心提供的官方模型库如下表所示：

模型 骨干网络（Backbone） 模型下载 配置文件
PP-YOLOE-s cspresnet-s model ppyoloe_crn_s_300e_coco.yml
PP-YOLOE-m cspresnet-m model ppyoloe_crn_m_300e_coco.yml
PP-YOLOE-l cspresnet-l model ppyoloe_crn_l_300e_coco.yml
PP-YOLOE-x cspresnet-x model ppyoloe_crn_x_300e_coco.yml

模型命名中 crn 即 CSPResNet 骨干，300e 表示在 COCO train2017 上训练 300 个 epoch，coco 表明数据集为 COCO。四个规格覆盖从边缘设备到高性能服务器的不同算力场景：s/m 面向实时性与轻量部署，l/x 面向精度优先场景。

二、模型权重下载详解

2.1 直接下载 .pdparams 权重

模型中心以 Paddle 训练权重格式 .pdparams 对外发布，可使用 wget/curl 直接拉取。例如下载 PP-YOLOE-l：

# 下载 PP-YOLOE-l 在 COCO 上训练 300 epoch 的权重
wget https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams

该权重文件可直接配合 PaddleDetection 的 tools/export_model.py 导出推理模型（详见第五节），也可作为迁移学习、微调（finetune）的预训练起点。

2.2 paddlecv:// 协议与自动缓存下载机制

模型中心 App 的推理配置通过 paddlecv:// 协议引用模型资源，例如 APP/configs/PP-YOLOE.yml 中的：

param_path: paddlecv://models/ppyoloe_crn_s_300e_coco/model.pdiparams
model_path: paddlecv://models/ppyoloe_crn_s_300e_coco/model.pdmodel

该协议由 APP/src/download.py 实现解析与下载：

  • parse_url() 将 paddlecv:// 前缀替换为实际的 BCE 存储前缀 https://bj.bcebos.com/v1/paddle-model-ecology/paddlecv/；
  • 下载根目录为 ~/.cache/paddlecv/models（WEIGHTS_HOME），通过 map_path(url, root_dir, path_depth=2) 将 URL 相对路径映射为本地缓存路径，实现"首次自动下载、之后直接命中缓存"；
  • 下载过程采用临时文件加 shutil.move 的原子写入策略防止中断损坏，内置 DOWNLOAD_RETRY_LIMIT = 3 重试机制；
  • 对 .pdparams 模型文件，还会从响应头读取 content-md5 做 MD5 校验（_md5check_from_url），确保下载文件完整无误。

这意味着开发者只要在配置中声明 paddlecv:// 路径，运行时即可自动获得模型，无需手工管理权重文件。

三、配置文件核心参数解读

3.1 模型中心推理配置（PP-YOLOE.yml）

APP/configs/PP-YOLOE.yml 是模型中心 App 使用的完整推理配置，关键字段如下：

字段 值 含义
mode paddle 推理运行模式，可选 paddle/trt_fp32/trt_fp16/trt_int8
draw_threshold 0.5 可视化与结果输出的置信度阈值
metric COCO 评测指标类型（COCO mAP）
use_dynamic_shape false 是否启用 TensorRT 动态输入形状
arch YOLO 网络架构类型
min_subgraph_size 3 TensorRT 子图融合最小节点数
Preprocess Resize→NormalizeImage→Permute 预处理流水线

预处理流水线三个算子依次执行（对应 APP/src/preprocess.py 的实现）：

  1. Resize：target_size: [640, 640]，keep_ratio: false 表示直接拉伸到 640×640（而非等比缩放），插值方式 interp: 2（即 cv2.INTER_LINEAR）；
  2. NormalizeImage：is_scale: true（先除以 255），再按 COCO 数据集统计的 mean = [0.485, 0.456, 0.406]、std = [0.229, 0.224, 0.225] 做标准化；
  3. Permute：将图像从 HWC 布局转置为 CHW 布局以匹配模型输入。

label_list 字段完整列出了 COCO 80 类目标（person、bicycle、car……toothbrush），推理结果将按此顺序映射类别名称。

3.2 配置在推理中的实际作用

APP/src/detection.py 中的 Detector 类读取该 YAML：

  • create_preprocess_ops() 遍历 Preprocess 列表，按 type 字段动态实例化对应算子类并传入参数；
  • 若 mode 命中 trt_int8/trt_fp32/trt_fp16 之一，则调用 config.enable_tensorrt_engine() 启用 TensorRT，min_subgraph_size 与 use_dynamic_shape（此时可设置 640~1280 的动态输入范围）分别控制子图融合与动态形状；
  • CPU 模式下 config.disable_gpu() 并以 cpu_threads 设置线程数，GPU 模式下 enable_use_gpu(200, 0) 分配 200 MB 初始显存并开启 IR 图优化。

四、精度与速度基准（Benchmark）

模型中心 benchmark_en.md 给出了四个规格的官方基准数据（COCO val2017/test-dev2017）：

模型 Epoch GPU 数 images/GPU 骨干 输入尺寸 Box APval 0.5:0.95 Box APtest 0.5:0.95 Params(M) FLOPs(G) V100 FP32(FPS) V100 TensorRT FP16(FPS)
PP-YOLOE-s 300 8 32 cspresnet-s 640 43.0 43.2 7.93 17.36 208.3 333.3
PP-YOLOE-m 300 8 28 cspresnet-m 640 49.0 49.1 23.43 49.91 123.4 208.3
PP-YOLOE-l 300 8 20 cspresnet-l 640 51.4 51.6 52.20 110.07 78.1 149.2
PP-YOLOE-x 300 8 16 cspresnet-x 640 52.3 52.4 98.42 206.59 45.0 95.2

理解该基准表需要注意以下几点：

  • 模型在 COCO train2017 上训练，并在 val2017 与 test-dev2017 上评估；
  • 训练使用 8 张 GPU 的混合精度（mixed precision）训练。若调整 GPU 数量或单卡 batch size，学习率需按公式 lr_new = lr_default × (batch_size_new × GPU_number_new) / (batch_size_default × GPU_number_default) 线性缩放；
  • 推理速度在单张 Tesla V100、batch size = 1 下测得，软件环境为 CUDA 10.2、CUDNN 7.6.5、TensorRT 6.0.1.8；
  • 若复现时使用 --run_benchmark=True，需先安装 pip install pynvml psutil GPUtil。

以 PP-YOLOE-l 为例：在 COCO test-dev2017 上取得 51.6 mAP 的同时，V100 上 FP32 推理达 78.1 FPS，开启 TensorRT FP16 后可进一步加速到 149.2 FPS，体现了"高精度 + 高吞吐"兼顾的特性（与 introduction_en.ipynb 第 2 节描述一致）。

五、从训练到导出：完整实战流程

5.1 环境准备

参考 introduction_en.ipynb 第 3 节，先克隆 PaddleDetection 并准备 COCO 格式数据集：

git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection
pip install -r requirements.txt
# 将 COCO 风格数据集放入 dataset/coco

5.2 训练（支持混合精度）

# 单卡训练，--eval 表示训练中评估，--amp 开启混合精度
python tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --eval --amp

# 8 卡分布式训练
python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 \
    tools/train.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --eval --amp

5.3 导出推理模型

方式一：导出标准 PaddleInference 模型（适用于不支持 TensorRT 的硬件）：

python tools/export_model.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml \
    -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams

方式二：导出带 TensorRT 优化的模型（在 -o 中追加 trt=True）：

python tools/export_model.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml \
    -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams trt=True

两种方式均直接从第二节的下载地址加载预训练权重，导出产物位于 output_inference/ppyoloe_crn_l_300e_coco 目录。

六、推理部署：PaddleInference 与 TensorRT

6.1 原生 PaddleInference 推理

# 先下载测试图片
wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/General/000000014439.jpg

# paddle 模式推理单张图片
CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py \
    --model_dir=output_inference/ppyoloe_crn_l_300e_coco \
    --image_file=demo_input/000000014439.jpg \
    --device=gpu --run_mode=paddle --output_dir=demo_output

6.2 TensorRT FP16 推理

CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py \
    --model_dir=output_inference/ppyoloe_crn_l_300e_coco \
    --image_file=demo_input/000000014439.jpg \
    --device=gpu --run_mode=trt_fp16 --output_dir=demo_output

两点实用提示（来自 introduction_en.ipynb 3.2.1 节的 Notes）：

  • TensorRT 首次运行会根据当前硬件平台生成并序列化推理引擎，该引擎仅适用于当前软硬件平台。若环境不变，可在 deploy/python/infer.py 的 enable_tensorrt_engine 调用中设置 use_static=True，将序列化引擎保存到 output_inference 目录，下次直接加载以跳过重建；
  • PaddleDetection release/2.4 及以后版本支持 NMS 调用 TensorRT 加速，需配合 PaddlePaddle release/2.3 及以上版本。

6.3 FastDeploy 三步式高性能部署

模型中心 fastdeploy_en.md 提供了基于 FastDeploy 的极简部署路径。FastDeploy 是面向云端、移动端与边缘端的一站式 AI 模型部署工具，支持 X86 CPU、NVIDIA GPU、ARM CPU、XPU、NPU、IPU 等多种硬件，可在不改动业务代码的情况下切换推理后端。

第一步：安装 FastDeploy SDK

pip install fastdeploy-gpu-python==0.0.0 -f https://www.paddlepaddle.org.cn/whl/fastdeploy_nightly_build.html

第二步：拉取部署示例并下载模型与测试图

git clone https://github.com/PaddlePaddle/FastDeploy.git
cd FastDeploy/examples/vision/detection/paddledetection/python/

# 下载 PP-YOLOE-l 部署模型（含 pdmodel/pdiparams/infer_cfg）与测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/ppyoloe_crn_l_300e_coco.tgz
wget https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg
tar xvf ppyoloe_crn_l_300e_coco.tgz

第三步：一键切换 CPU / GPU / TensorRT 部署

# CPU 部署
python infer_ppyoloe.py --model_dir ppyoloe_crn_l_300e_coco --image 000000014439.jpg --device cpu
# GPU 部署
python infer_ppyoloe.py --model_dir ppyoloe_crn_l_300e_coco --image 000000014439.jpg --device gpu
# GPU 上的 TensorRT 推理（首次运行需要序列化模型，耗时较长属正常现象）
python infer_ppyoloe.py --model_dir ppyoloe_crn_l_300e_coco --image 000000014439.jpg --device gpu --use_trt True

FastDeploy 部署要求 GPU 环境默认就绪（如 CUDA >= 11.2），CPU 与 GPU 两种推理展示均基于该示例完成。

七、模型中心 App：开箱即用的 Gradio 演示

模型中心还为 PP-YOLOE 提供了可直接运行的 Gradio 演示应用（APP 目录），适合快速验证模型效果：

  • APP/app.py：基于 gr.Blocks 构建交互界面，输入图像后调用 Detector('PP-YOLOE')，输出检测可视化结果与 {'bboxes': [...]} JSON；
  • APP/app.yml：应用元配置，指定 sdk: gradio、sdk_version: 3.9.1、app_file: app.py、device: cpu；
  • APP/src/detection.py：核心推理类，完成配置解析、模型自动下载、预处理、PaddleInference 推理与结果绘制，输出格式为 6 列 bbox（[class_id, score, x1, y1, x2, y2]）；
  • APP/requirements.txt：依赖清单，包括 gradio、opencv-python、paddlepaddle、PyYAML、shapely、scipy、numpy、pillow 等。

运行 python app.py 即可在本地浏览器中体验 PP-YOLOE 目标检测效果。

八、技术原理与引用

PP-YOLOE 的整体架构由以下技术组件构成（详见 introduction_en.ipynb 第 4 节）：

  • 可扩展的骨干与颈部网络（Scalable backbone and neck）：通过 s/m/l/x 深度、宽度乘子实现算力-精度平衡；
  • Task Alignment Learning：对齐分类与定位任务的学习目标；
  • 高效 Task-aligned 检测头：融合 DFL（Distribution Focal Loss）与 VFL（Varifocal Loss）；
  • SiLU（Swish）激活函数：替换传统激活提升表征能力。

技术细节可查阅官方技术报告，引用信息如下：

@article{xu2022pp,
  title={PP-YOLOE: An evolved version of YOLO},
  author={Xu, Shangliang and Wang, Xinxin and Lv, Wenyu and Chang, Qinyao and Cui, Cheng and Deng, Kaipeng and Wang, Guanzhong and Dang, Qingqing and Wei, Shengyu and Du, Yuning and others},
  journal={arXiv preprint arXiv:2203.16250},
  year={2022}
}

相关资源索引

登录后查看全文
人工智能深度学习计算机视觉NLP语音
版权声明：本文由 AtomGit 博客平台 AIGC 生成并经审核发布，遵循 CC 4.0 BY-SA 版权协议，转载请注明出处。
models

相关推荐

PaddlePaddle PP-YOLOE 模型中心使用指南：下载、训练、推理与部署全流程
> 本文基于 PaddlePaddle 官方模型中心（modelcenter）中 PP-YOLOE 目标检测模型的文档与配套代码（下载说明、Benchmark、FastDeploy 部署说明、使用教程）整理而成，并补充了仓库内 APP 目录下推理应用的源码级实现细节。你将掌握 PP-YOLOE 系列
人工智能 1393
PP-LCNet 系列图像分类模型下载与部署完整指南（PaddlePaddle 官方模型中心）
本文基于 PaddlePaddle 官方模型中心（models 仓库）中 modelcenter/PP-LCNet/download_en.md 整理而成，完整覆盖 PP-LCNet 全系列 11 个模型的推理模型与预训练模型下载清单，并结合仓库内的 info.yaml、introduction_c
人工智能 1655
PaddlePaddle PP-StructureV2 模型清单与部署实战：版面分析、OCR 与表格识别模型下载配置全解
本文以 PaddlePaddle 开源仓库中 PP-StructureV2 文档分析系统的官方模型清单（modelcenter/PP-StructureV2/download_en.md）为核心，系统梳理版面分析、OCR 与表格识别三大类共 11 个官方模型的用途、推理模型大小与下载方式，并结合仓库
人工智能 1426
上一篇：MaxMind DB Reader PHP API 版本演进全解析：从纯 PHP 读取器到 C 扩展的 1.12 之路下一篇：FlashInfer 开发指南：JIT 编译内核库的安装、测试与调试实战

热门文章

从零复刻一切技术：build-your-own-x 教程清单全解析与分类学习路线 HOT
文档 3457
Awesome 清单宣言解读：遵循 awesome 社区标准打造高质量精选资源列表的完整指南
文档 2674
Awesome 列表贡献指南：从首次提交到 Pull Request 合并的完整实战流程
文档 2185