人工智能大模型低代码计算机视觉深度学习模型推理服务【免费下载链接】PaddleXAll-in-One Development Tool based on PaddlePaddle项目地址https://gitcode.com/gh_mirrors/pa/PaddleX点击查看免费下载车辆检测是目标检测的一个重要子任务它利用计算机视觉技术判断图像或视频中是否存在车辆并为每一辆车提供精确的位置信息如边界框坐标是智能交通系统、自动驾驶与视频监控等场景的基础能力。本文以 PaddleX 开源仓库中的车辆检测模块为主线系统讲解其支持的 PP-YOLOE 系列模型、几行代码即可完成的模型推理集成方式以及基于 PaddleX 自定义开发能力的数据校验、模型训练、评估与推理部署完整流程帮助读者掌握从开箱即用到二次开发的全链路实战方案。一、模块概述车辆检测模块是 PaddleX 目标检测能力在垂直场景下的具体落地它复用 PaddleX 目标检测Object Detection模块的预测器与结果处理框架将模型权重与类别标签vehicle绑定形成开箱即用的专用检测模型。从源码结构看车辆检测模型与通用目标检测模型共用同一套推理实现——目标检测预测器 中的DetRunnerPredictor负责读取图像、预处理、推理与后处理模型注册表 中将PP-YOLOE-L_vehicle与PP-YOLOE-S_vehicle显式登记为可用模型这意味着你可以像使用通用检测模型一样自由切换车辆检测模型并将其无缝集成进自己的项目。二、支持模型列表与性能基线车辆检测模块当前提供两个基于 PP-YOLOE 的车辆检测模型下表数据来自 PaddleX 官方测试mAP 指标为 COCO 协议下的 mAP 0.5:0.95推理时间仅包含模型推理耗时不含前后处理模型mAP 0.5:0.95GPU 推理耗时 (ms)[常规模式 / 高性能模式]CPU 推理耗时 (ms)[常规模式 / 高性能模式]模型存储大小 (MB)说明PP-YOLOE-S_vehicle61.310.54 / 6.6952.73 / 23.5828.79基于 PP-YOLOE 的车辆检测模型PP-YOLOE-L_vehicle63.930.30 / 26.27169.28 / 111.88196.02基于 PP-YOLOE 的车辆检测模型从性能数据可以看出PP-YOLOE-S_vehicle 以约 28.8 MB 的模型体积换取更快的推理速度适合对时延敏感、算力受限的场景PP-YOLOE-L_vehicle 精度更高mAP 高出约 2.6 个百分点适合对检测精度要求更高的业务场景两者可根据实际硬件与业务需求权衡选择。测试环境说明测试数据集PPVehicle 数据集。硬件配置GPU 为 NVIDIA Tesla T4CPU 为 Intel Xeon Gold 6271C 2.60GHz。软件环境Ubuntu 20.04 / CUDA 11.8 / cuDNN 8.9 / TensorRT 8.6.1.6paddlepaddle 3.0.0 / paddlex 3.0.3。推理模式说明模式GPU 配置CPU 配置加速技术组合常规模式FP32 精度 / 无 TensorRT 加速FP32 精度 / 8 线程PaddleInference高性能模式预选精度类型与加速策略的最优组合FP32 精度 / 8 线程预选最优后端Paddle/OpenVINO/TensorRT 等需要说明的是上表为官方在既定软硬件环境下的测试结果实际推理耗时会随输入图像尺寸、批次大小、运行设备与后端配置而变化请以实测为准。三、快速集成几行代码完成车辆检测3.1 环境准备在快速集成之前请先安装 PaddleX wheel 包详细安装步骤参考 PaddleX 本地安装指南。安装完成后即可通过 Python API 完成车辆检测模块的推理。3.2 最小推理示例下面的代码仅需数行即可完成一张图片的车辆检测且可以自由切换本模块下的模型也可以将车辆检测模型的推理集成进自己的项目。运行前请先将 demo 示例图片 下载到本地from paddlex import create_model model_name PP-YOLOE-S_vehicle model create_model(model_name) output model.predict(vehicle_detection.jpg, batch_size1) for res in output: res.print() res.save_to_img(./output/) res.save_to_json(./output/res.json)运行后得到的输出结果类似{res: {input_path: vehicle_detection.jpg, page_index: None, boxes: [{cls_id: 0, label: vehicle, score: 0.9574093222618103, coordinate: [0.10725308, 323.01917, 272.72037, 472.75375]}, {cls_id: 0, label: vehicle, score: 0.9449281096458435, coordinate: [270.3387, 310.36923, 489.8854, 398.07562]}, {cls_id: 0, label: vehicle, score: 0.939127504825592, coordinate: [896.4249, 292.2338, 1051.9075, 370.41345]}, {cls_id: 0, label: vehicle, score: 0.9388730525970459, coordinate: [1057.6327, 274.0139, 1639.8386, 535.54926]}, {cls_id: 0, label: vehicle, score: 0.9239683747291565, coordinate: [482.28885, 307.33447, 574.6905, 357.82965]}, ... ]}}3.3 预测结果字段含义各字段含义如下input_path待预测输入图像的路径。page_index若输入为 PDF 文件表示当前页码否则为None。boxes每个预测目标的信息cls_id类别 IDlabel类别名称本模块为vehiclescore预测得分coordinate预测边界框坐标格式为[xmin, ymin, xmax, ymax]。3.4 结果可视化调用res.save_to_img(./output/)后PaddleX 会在原图上绘制每个检测框及其类别与得分。其绘制逻辑位于 目标检测结果模块 的draw_box函数中框线颜色按类别从color_map中选取标注文字为类别名 得分如vehicle 0.96文字背景与框线同色以保证可读性DetResult._to_img将原图BGR 顺序的input_img反转回 RGB与绘制结果打包返回。3.5 create_model 参数详解create_model方法用于实例化车辆检测模型此处以PP-YOLOE-S_vehicle为例参数说明如下参数说明类型可选值默认值model_name模型名称str无Nonemodel_dir模型存储路径str无Nonedevice模型推理使用的设备str支持指定具体 GPU 卡号如gpu:0、其他硬件卡号如npu:0或 CPU如cpugpu:0threshold过滤低得分目标的阈值float/None/dict无Noneuse_hpip是否启用高性能推理插件bool无Falsehpi_config高性能推理配置dict/None无None使用要点model_name必须指定。指定model_name后默认使用 PaddleX 内置模型参数若同时指定model_dir则使用用户自定义模型。threshold为过滤低得分目标的阈值默认值为None表示采用更低优先级的设置。参数设置的优先级顺序为predict 参数 create_model 初始化参数 yaml 配置文件。目前支持两种阈值设置方式float所有类别使用同一阈值dict键为类别 ID值为对应阈值可为不同类别设置不同阈值。车辆检测为单类别检测任务通常无需此设置。从源码看预测器在DetRunnerPredictor初始化时会读取模型配置中的draw_threshold默认为 0.5作为兜底阈值predictor.py 的后处理阶段会优先采用predict()传入的阈值其次采用create_model初始化时的阈值最后回退到配置值与文档所述优先级顺序一致。3.6 predict 方法参数详解车辆检测模型的predict()方法用于推理预测参数为input、batch_size与threshold说明如下参数说明类型可选值默认值input待预测数据支持多种输入类型Python Var/str/list-Python 变量如numpy.ndarray表示的图像数据-文件路径如图像文件本地路径/root/data/img.jpg-URL 链接如图像文件的网络 URL-本地目录目录下应包含待预测的数据文件如/root/data/-列表列表元素为上述类型的数据如[numpy.ndarray, numpy.ndarray]、[/root/data/img1.jpg, /root/data/img2.jpg]、[/root/data1, /root/data2]无batch_size批大小int任意整数1threshold过滤低得分目标的阈值float/dict/None-None使用更低优先级的设置优先级顺序为predict 参数 create_model 初始化参数 yaml 配置文件-float如 0.5表示推理时使用 0.5 阈值过滤低得分目标-dict如{0: 0.5, 1: 0.35}表示类别 0 使用 0.5、类别 1 使用 0.35。车辆检测为单类别任务通常无需此设置None在内部实现上predict传入的input会经 ImageBatchSampler 组装为批次随后依次经过ReadImage → Resize/Normalize/Pad 等预处理 → 模型推理 → DetPostProcess 后处理的完整链路见 predictor.py 的process方法最终以input_path、page_index、input_img、boxes四元组形式返回。3.7 预测结果处理方法每个样本的预测结果以dict类型处理支持打印、保存为图片、保存为json文件等操作方法说明参数参数类型参数说明默认值print()将结果打印到终端format_jsonbool是否以 JSON 缩进格式输出内容Trueindentint指定缩进级别以美化 JSON 输出仅在format_json为True时生效4ensure_asciibool是否将非 ASCII 字符转义为 Unicode。True时全部转义False保留原字符。仅在format_json为True时生效Falsesave_to_json()将结果保存为 json 格式文件save_pathstr保存文件路径。为目录时保存文件名与输入文件名一致无indentint指定缩进级别以美化 JSON 输出4ensure_asciibool是否将非 ASCII 字符转义为 UnicodeFalsesave_to_img()将结果保存为图片格式文件save_pathstr保存文件路径。为目录时保存文件名与输入文件名一致无此外还可以通过属性获取可视化图像与预测结果属性说明json获取 json 格式的预测结果img获取 dict 格式的可视化图像从实现上看DetResult见 result.py继承自BaseCVResult其_to_str/_to_json在输出时会剔除input_img大字段仅保留结构化检测信息便于序列化与下游消费。关于 PaddleX 单模型推理 API 的更多用法请参考 PaddleX 单模型 Python 脚本使用说明。四、自定义开发训练更高精度的车辆检测模型如果希望获得比现有模型更高的精度可以使用 PaddleX 的自定义开发能力训练更好的车辆检测模型。在使用前请确保已安装 PaddleX 的 PaddleDetection 插件安装过程见 PaddleX 本地安装指南。4.1 数据准备模型训练前需要为对应任务模块准备数据集。PaddleX 为每个模块提供数据校验功能只有通过校验的数据才能用于模型训练。此外PaddleX 还为每个模块提供了 demo 数据集可用于完成后续开发。若想使用私有数据集训练模型请参考 PaddleX 目标检测任务模块数据标注教程。4.1.1 Demo 数据下载使用以下命令将 demo 数据集下载到指定目录cd /path/to/paddlex wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/vehicle_coco_examples.tar -P ./dataset tar -xf ./dataset/vehicle_coco_examples.tar -C ./dataset/4.1.2 数据校验单条命令即可完成数据校验python main.py -c paddlex/configs/modules/vehicle_detection/PP-YOLOE-S_vehicle.yaml \ -o Global.modecheck_dataset \ -o Global.dataset_dir./dataset/vehicle_coco_examples执行上述命令后PaddleX 会对数据集进行校验并收集其基本信息。校验通过时日志会打印Check dataset passed !信息。校验结果文件保存在./output/check_dataset_result.json相关输出保存在当前目录的./output/check_dataset目录中包括可视化示例图片与样本分布直方图。校验结果文件的具体内容如下{ done_flag: true, check_pass: true, attributes: { num_classes: 4, train_samples: 500, train_sample_paths: [ check_dataset/demo_img/MVI_20011__img00001.jpg, check_dataset/demo_img/MVI_20011__img00005.jpg, check_dataset/demo_img/MVI_20011__img00009.jpg ], val_samples: 100, val_sample_paths: [ check_dataset/demo_img/MVI_20032__img00401.jpg, check_dataset/demo_img/MVI_20032__img00405.jpg, check_dataset/demo_img/MVI_20032__img00409.jpg ] }, analysis: { histogram: check_dataset/histogram.png }, dataset_path: vehicle_coco_examples, show_type: image, dataset_type: COCODetDataset }上述校验结果中check_pass为True表示数据集格式符合要求其余指标含义如下attributes.num_classes数据集的类别数为 4。attributes.train_samples数据集训练集样本数为 500。attributes.val_samples数据集验证集样本数为 100。attributes.train_sample_paths训练集样本可视化图像的相对路径列表。attributes.val_sample_paths验证集样本可视化图像的相对路径列表。数据校验还会分析数据集中所有类别的样本数量分布并生成直方图histogram.png以可视化该分布。从配置看车辆检测 demo 数据集被解析为COCODetDatasetCOCO 格式检测数据集这也与通用目标检测模块的数据组织方式保持一致。4.1.3 数据集格式转换 / 数据集切分可选完成数据校验后可以通过修改配置文件或追加超参数两种方式转换数据集格式或重新切分训练/验证集比例。1数据集格式转换车辆检测模块不支持数据格式转换。2数据集切分通过修改配置文件中的CheckDataset部分设置数据集切分参数示例参数说明如下CheckDatasetsplitenable是否重新切分数据集设为True开启默认Falsetrain_percent重新切分时训练集占比0-100 之间的任意整数需保证与val_percent之和为 100。例如希望以 90% 训练集、10% 验证集的比例重新切分数据集修改配置文件如下...... CheckDataset: ...... split: enable: True train_percent: 90 val_percent: 10 ......然后执行python main.py -c paddlex/configs/modules/vehicle_detection/PP-YOLOE-S_vehicle.yaml \ -o Global.modecheck_dataset \ -o Global.dataset_dir./dataset/vehicle_coco_examples数据集切分后原始标注文件会在原路径被重命名为xxx.bak。上述参数也可以通过追加命令行参数设置python main.py -c paddlex/configs/modules/vehicle_detection/PP-YOLOE-S_vehicle.yaml \ -o Global.modecheck_dataset \ -o Global.dataset_dir./dataset/vehicle_coco_examples \ -o CheckDataset.split.enableTrue \ -o CheckDataset.split.train_percent90 \ -o CheckDataset.split.val_percent104.2 模型训练以训练PP-YOLOE-S_vehicle为例单条命令即可完成模型训练python main.py -c paddlex/configs/modules/vehicle_detection/PP-YOLOE-S_vehicle.yaml \ -o Global.modetrain \ -o Global.dataset_dir./dataset/vehicle_coco_examples训练所需步骤指定模型的.yaml配置文件路径此处为PP-YOLOE-S_vehicle.yaml训练其他模型时需指定对应配置文件模型与配置文件的对应关系见 PaddleX 模型列表CPU/GPU。指定模式为模型训练-o Global.modetrain。指定训练数据集路径-o Global.dataset_dir。其他相关参数可通过修改.yaml配置文件中的Global和Train字段设置或通过命令行追加参数调整。例如指定在前两张 GPU 上训练-o Global.devicegpu:0,1设置训练轮数为 10-o Train.epochs_iters10。更多可修改参数及详细说明见 PaddleX 模型任务通用配置参数。新特性Paddle 3.0 支持使用 CINNCompiler Infrastructure for Neural Networks在 GPU 设备上加速训练请指定-o Train.dy2stTrue开启。以 PP-YOLOE-S_vehicle.yaml 为例其训练相关默认配置为num_classes: 4、epochs_iters: 50、batch_size: 2、learning_rate: 0.001、warmup_steps: 100、log_interval: 10、eval_interval: 1并默认从官方预训练权重PP-YOLOE-S_vehicle_pretrained.pdparams出发进行微调PP-YOLOE-L_vehicle的配置结构相同仅预训练权重不同。这些默认值均可在训练前按需覆盖。更多细节训练过程中PaddleX 会自动保存模型权重文件默认保存到output目录。如需指定保存路径使用配置文件中的-o Global.output字段。PaddleX 屏蔽了动态图权重与静态图权重的概念差异训练过程中会同时产出动态图与静态图权重模型推理默认选用静态图权重。模型训练完成后所有输出保存在指定输出目录默认为./output/通常包括train_result.json训练结果记录文件记录训练任务是否正常完成、输出权重指标及相关文件路径等train.log训练日志文件记录训练过程中的模型指标与 loss 变化config.yaml训练配置文件记录本次训练的超参数配置.pdparams、.pdema、.pdopt.pdstate、.pdiparams、.json模型权重相关文件包括网络参数、优化器、EMA、静态图网络参数、静态图网络结构等注意自 Paddle 3.0.0 起静态图网络结构的存储格式由 protobuf原.pdmodel文件改为 json当前.json文件以兼容 PIR 并更灵活、可扩展。4.3 模型评估模型训练完成后可以在验证集上评估指定模型权重文件以验证模型精度。使用 PaddleX 进行模型评估单条命令即可完成python main.py -c paddlex/configs/modules/vehicle_detection/PP-YOLOE-S_vehicle.yaml \ -o Global.modeevaluate \ -o Global.dataset_dir./dataset/vehicle_coco_examples与模型训练类似评估过程包含以下步骤指定模型的.yaml配置文件路径此处为PP-YOLOE-S_vehicle.yaml。设置模式为模型评估-o Global.modeevaluate。指定验证数据集路径-o Global.dataset_dir。其他相关参数可通过修改.yaml配置文件中的Global和Evaluate字段配置详细说明见 PaddleX 模型通用配置参数。更多细节评估模型时需要指定模型权重文件路径。每个配置文件都内置了默认权重保存路径如需更改通过追加命令行参数设置即可如-o Evaluate.weight_path./output/best_model/best_model/model.pdparams。完成模型评估后会生成evaluate_result.json文件记录评估结果包括评估任务是否成功完成以及模型评估指标含 AP。4.4 模型推理完成模型训练与评估后可以使用训练得到的模型权重进行推理预测。在 PaddleX 中模型推理预测可通过命令行与 wheel 包两种方式实现。4.4.1 命令行推理通过命令行执行推理预测只需使用如下命令运行前请先将 demo 示例图片 下载到本地python main.py -c paddlex/configs/modules/vehicle_detection/PP-YOLOE-S_vehicle.yaml \ -o Global.modepredict \ -o Predict.model_dir./output/best_model/inference \ -o Predict.inputvehicle_detection.jpg与模型训练和评估类似推理需要以下步骤指定模型的.yaml配置文件路径此处为PP-YOLOE-S_vehicle.yaml。设置模式为模型推理预测-o Global.modepredict。指定模型权重路径-o Predict.model_dir./output/best_model/inference。指定输入数据路径-o Predict.input...。其他相关参数可通过修改.yaml配置文件中的Global和Predict字段设置详见 PaddleX 模型通用配置文件参数说明。4.4.2 模型集成训练产出的权重可以直接集成到车辆检测模块中参考上文快速集成中的 Python 示例代码将模型名替换为训练模型的路径即可from paddlex import create_model model create_model(model_dir/path/to/your/trained_model) output model.predict(vehicle_detection.jpg, batch_size1) for res in output: res.print() res.save_to_img(./output/) res.save_to_json(./output/res.json)此外训练好的模型还可以通过以下两种方式进一步落地Pipeline 集成目标检测模块可被集成进 PaddleX 的 通用目标检测 Pipeline只需替换模型路径即可更新相关 Pipeline 的目标检测模块。在 Pipeline 集成中可以使用高性能推理与 serving 部署来部署训练好的模型。模块集成训练产出的权重可直接集成进目标检测模块参考上文快速集成示例将模型替换为训练模型的路径即可。你还可以使用 PaddleX 高性能推理插件优化模型的推理过程、进一步提升效率详细流程请参考 PaddleX 高性能推理指南。五、总结本文围绕 PaddleX 车辆检测模块展开从模型选型PP-YOLOE-S_vehicle 与 PP-YOLOE-L_vehicle 的精度与速度权衡、开箱即用的 Python API 快速集成create_model/predict/ 结果处理全参数详解到基于自定义数据集的数据校验、数据切分、模型训练、评估、命令行推理与模型集成的完整二次开发链路均给出了可直接运行的命令与代码。结合仓库中的 模型配置文件 与 目标检测推理实现读者既能快速上手完成车辆检测也能深入理解 PaddleX 模块化设计的内部机制为将车辆检测能力落地到智能交通、自动驾驶与视频监控等真实业务场景提供完整的技术路径。赞分享人工智能大模型低代码计算机视觉深度学习模型推理服务【免费下载链接】PaddleXAll-in-One Development Tool based on PaddlePaddle项目地址https://gitcode.com/gh_mirrors/pa/PaddleX点击查看免费下载相关推荐Civitai Monorepo 拆分全拆解18 个包的共享模块边界与五级变更频率分层Civitai Monorepo 拆分全拆解18 个包的共享模块边界与五级变更频率分层 当主应用把 Prisma schema、Redis 客户端、Postg人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG微调语音PaddleX 主体验检测Mainbody Detection模块实战指南PP-ShiTuV2_det 从推理到自定义训练全流程PaddleX 主体验检测Mainbody Detection模块实战指南PP ShiTuV2_det 从推理到自定义训练全流程 主体验检测Mainbo人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG微调语音PaddleX 印章文字检测模块实战从 PP-OCRv4 seal_det 推理集成到自定义训练全流程PaddleX 印章文字检测模块实战从 PP OCRv4 seal_det 推理集成到自定义训练全流程 印章文字检测Seal Text Detection人工智能大模型低代码计算机视觉深度学习模型推理服务上一篇win10script性能调优技巧最大化提升系统运行效率下一篇【亲测免费】 CMSIS-SVD 开源项目使用教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考