docs/tutorials/pipelines/model_select.md · PaddlePaddle/PaddleX

# PaddleX 模型选择

PaddleX 内置了多条产线，每条产线都包含了若干模型，具体使用哪些模型，您可以根据下边的 benchmark 数据来选择。如您更考虑模型精度，请选择精度较高的模型，如您更考虑模型推理速度，请选择推理速度较快的模型，如您更考虑模型存储大小，请选择存储大小较小的模型。

以下为每条产线部分精选模型 benchmark 数据，全量模型 benchmark 数据持续更新中。

## 1.通用图像分类

| 模型列表        | Top1 Acc(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| --------------- | ------ | ---------------- | ---------------- | --------------- |
| PP-HGNetV2_B6   | 86.30  | 10.46            | 240.18           | 288             |
| CLIP_vit_base_patch16_224 | 85.39 | 12.03   | 234.85           | 331             |
| PP-HGNetV2_B4   | 83.57  | 2.45             | 38.10            | 76              |
| SwinTransformer_base_patch4_window7_224  | 83.37 | 12.35 | -   | 342             |
| PP-HGNet_small  | 81.51  | 4.24             | 108.21           | 94              |
| PP-HGNetV2_B0   | 77.77  | 0.68             | 6.41             | 23              |
| ResNet50        | 76.50  | 3.12             | 50.90            | 98              |
| PP-LCNet_x1_0   | 71.32  | 1.01             | 3.39             | 7               |
| MobileNetV3_small_x1_0 | 68.24  | 1.09      | 3.65             | 12              |

> **注：以上精度指标为 <a href="https://www.image-net.org/index.php" target="_blank">ImageNet-1k</a> 验证集 Top1 Acc。**

## 2.通用目标检测

| 模型列表         | mAP(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| --------------- | ------ | ---------------- | ---------------- | --------------- |
| RT-DETR-H       | 56.3   | 100.65           | 8451.92          | 471             |
| RT-DETR-L       | 53.0   | 27.89            | 841.00           | 125             |
| PP-YOLOE_plus-L | 52.9   | 29.67            | 700.97           | 200             |
| PP-YOLOE_plus-S | 43.7   | 8.11             | 137.23           | 31              |
| PicoDet-L       | 42.6   | 10.09            | 129.32           | 23              |
| PicoDet-S       | 29.1   | 3.17             | 13.36            | 5               |

> **注：以上精度指标为 <a href="https://cocodataset.org/#home" target="_blank">COCO2017</a> 验证集 mAP(0.5:0.95)。**

## 3.通用语义分割

| 模型列表          | mIoU (%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小 (M)|
| ---------------- | -------  | --------------- | -------------- | ------------- |
| OCRNet_HRNet-W48 | 82.15    | 87.97           | 2180.76        | 270           |
| PP-LiteSeg-T     | 77.04    | 5.98            | 140.02         | 31            |

> **注：以上精度指标测量自[Cityscapes](https://www.cityscapes-dataset.com/)数据集。**

## 4.通用实例分割

| 模型列表        | mAP(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| -------------- | ------ | --------------- | -------------- | ------------- |
| Mask-RT-DETR-H | 48.8   | -               | -              | 486           |
| Mask-RT-DETR-L | 45.7   | -               | -              | 124           |

> **注：以上精度指标为 <a href="https://cocodataset.org/#home" target="_blank">COCO2017</a> 验证集 mAP(0.5:0.95)。**

## 5.通用OCR

| 模型            | 检测 Hmean(%) | 识别 Avg Accuracy(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| --------------- | ------------ | ------------------- | --------------- | --------------- | ------------- |
| PP-OCRv4-server | 82.69        | 79.20               | 22.20346        | 2662.158        | 198           |
| PP-OCRv4-mobile | 77.79        | 78.20               | 2.719474        | 79.1097         | 15            |

> **注：以上精度指标的评估集是 PaddleOCR 自建的中文数据集，覆盖街景、网图、文档、手写多个场景，其中文本识别包含 1.1w 张图片，检测包含 500 张图片。**

## 6.通用表格识别

| 模型   | 精度(%) | GPU 推理耗时(ms) | CPU 推理耗时(ms) | 模型存储大小(M) |
| ------ | ------ | -------------- | --------------- | ------------- |
| SLANet | 76.31  | 791.73         | 379.87          | 9.3           |

> **注：以上精度指标测量自PubtabNet英文表格识别数据集。**

## 7.时序预测

| 模型列表         | mse    | mae    | 模型存储大小(M) |
| ----------------| ------ | ------ | ------------- |
| DLinear          | 0.386  | 0.445  | 80k           |
| Nonstationary    | 0.385  | 0.463  | 61M           |
| PatchTST         | 0.291  | 0.380  | 2.2M          |
| TiDE             | 0.376  | 0.441  | 35M           |
| TimesNet         | 0.284  | 0.386  | 5.2M          |

> **注：以上精度指标测量自 <a href="https://archive.ics.uci.edu/dataset/321/electricityloaddiagrams20112014">ECL</a> 数据集。**

## 8.时序异常检测

| 模型列表          | precision | recall | f1_score | 模型存储大小(M) |
| ---------------- | --------- | ------ | -------- | ------------- |
| DLinear_ad       |  0.904    | 0.891  |  0.897   |   0.9M        |
| Nonstationary_ad |  0.901    | 0.938  |  0.918   |  19.1MB       |
| AutoEncoder_ad   |  0.897    | 0.860  |  0.876   |   0.4M        |
| PatchTST_ad      |  0.900    | 0.925  |  0.913   |   2.1M        |
| TimesNet_ad      |  0.899    | 0.935  |  0.917   |   5.4M        |

> **注：以上精度指标测量自 <a href="https://itrust.sutd.edu.sg/itrust-labs_datasets/dataset_info">SWAT</a> 数据集。**

## 9.时序分类

| 模型列表      | acc(%) | 模型存储大小(M) |
| ------------ | ------ | ------------- |
| TimesNet_cls | 67.9   |   5.3M        |

> **注：以上精度指标测量自 <a href="https://www.timeseriesclassification.com/index.php">UEA/FaceDetection</a> 数据集。**

**注**：以上所有模型 GPU 推理耗时基于 NVIDIA Tesla T4 机器，精度类型为 FP32， CPU 推理速度基于 Intel(R) Xeon(R) Gold 5117 CPU @ 2.00GHz，线程数为8，精度类型为 FP32。

PaddlePaddle/PaddleX

简介

发行版

贡献者

语言

近期动态

PaddlePaddle/PaddleX .gitee-modal { width: 500px !important; }

简介

发行版

开源评估指数源自 OSS-Compass 评估体系，评估体系围绕以下三个维度对项目展开评估：

贡献者

语言

近期动态

搜索帮助

PaddlePaddle/PaddleX