企业官网建设流程全解析

• 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

PaddleX 内置了多条产线，每条产线由若干模块组成，每个模块又包含多个模型。本文以 PaddleX 模型列表（昆仑 XPU） 为骨架，完整梳理在昆仑 XPU（Kunlun XPU）硬件平台上受支持的模型、精度 Benchmark、模型存储大小与下载方式，并结合仓库源码说明 XPU 设备白名单机制、环境变量配置以及产线推理与模型微调的实际用法。读完本文，你将能够在昆仑 XPU 设备上按精度与存储需求完成模型选型，并正确配置device=xpu参数运行 PaddleX 产线。

一、背景：产线—模块—模型的层级结构

PaddleX 的整体组织方式是「产线（Pipeline）—模块（Module）—模型（Model）」三层结构：每条产线解决一类具体任务（如通用 OCR、通用图像分类），产线内部由若干模块串联（如文本检测模块、文本识别模块），每个模块下挂若干可替换的模型。因此在 XPU 平台上选型时，实际要做的是「为每个模块挑选一个模型」。

本清单中的模型均可在昆仑 XPU 设备上运行，具体选用哪个模型，可依据各表中的 Benchmark 数据决策：

• 若更看重模型精度，选择精度指标（Top1 Acc、mAP、mIoU、Hmean 等）较高的模型；
• 若更看重模型存储大小，选择体积更小的模型（XPU 嵌入式设备通常对存储与内存敏感）。

说明：本清单对应的完整 CPU/GPU 模型列表见 PaddleX模型列表（CPU/GPU），XPU 清单是其面向昆仑芯片平台的能力子集。

二、硬件与运行环境前提

在 XPU 上使用本清单中的模型之前，需要先完成两件事：安装昆仑 XPU 版飞桨、安装 PaddleX 本体。

2.1 安装昆仑 XPU 版飞桨

参考 昆仑 XPU 飞桨安装教程：当前 PaddleX 支持昆仑 R200/R300 等芯片，推荐使用飞桨官方发布的昆仑 XPU 开发镜像（预装有昆仑基础运行环境库 XRE）。

拉取开发镜像（仅为开发环境，不含预编译飞桨安装包）：

docker pull registry.baidubce.com/device/paddle-xpu:ubuntu20-x86_64-gcc84-py310 # X86 架构 docker pull registry.baidubce.com/device/paddle-xpu:kylinv10-aarch64-gcc82-py310 # ARM 架构

启动容器：

docker run -it --name=xxx -m 81920M --memory-swap=81920M \ --shm-size=128G --privileged --net=host \ -v $(pwd):/workspace -w /workspace \ registry.baidubce.com/device/paddle-xpu:$(uname -m)-py310 bash

安装 Python3.10 的 wheel 安装包（其他 Python 版本可参考飞桨官方文档自行编译安装）：

pip install https://paddle-whl.bj.bcebos.com/paddlex/xpu/paddlepaddle_xpu-2.6.1-cp310-cp310-linux_x86_64.whl # X86 架构 pip install https://paddle-whl.bj.bcebos.com/paddlex/xpu/paddlepaddle_xpu-2.6.1-cp310-cp310-linux_aarch64.whl # ARM 架构

安装完成后验证：

python -c "import paddle; paddle.utils.run_check()"

预期输出PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.

2.2 安装 PaddleX

在昆仑 XPU 场景下 PaddleX 支持两种安装模式（详见 PaddleX多硬件使用指南）：

• Wheel 包安装：适用于「模型推理与集成」场景，安装后即可基于 PaddleX 支持的所有模型进行推理；
• 插件安装（paddlex --install）：适用于「二次开发」场景，除推理外还可进行模型训练等操作，插件与产线的对应关系（如 PaddleClas↔图像分类、PaddleDetection↔目标检测/实例分割、PaddleOCR↔文本检测/识别、PaddleTS↔时序类模块、PaddleSeg↔语义分割/异常检测）在该文档中有完整表格。

三、在 XPU 上运行产线与微调模型

基于昆仑 XPU 的 PaddleX 产线使用方法与 GPU 完全一致，只需把设备参数改为xpu（多卡写法为xpu:0,1,2,...）。以通用 OCR 产线为例：

paddlex --pipeline OCR --input general_ocr_002.png --device xpu:0

Python 脚本方式：

from paddlex import create_pipeline pipeline = create_pipeline(pipeline="OCR", device="xpu:0") output = pipeline.predict("general_ocr_002.png") for res in output: res.print() res.save_to_img("./output/")

若需对预训练模型微调，以PP-OCRv4_mobile_det为例（该模型在下方文本检测模块清单中，且位于 XPU 白名单内）：

# 训练（多卡，将设备名修改为 xpu） python main.py -c paddlex/configs/text_detection/PP-OCRv4_mobile_det.yaml \ -o Global.mode=train \ -o Global.dataset_dir=./dataset/ocr_det_dataset_examples \ -o Global.device=xpu:0,1,2,3 # 推理 python main.py -c paddlex/configs/text_detection/PP-OCRv4_mobile_det.yaml \ -o Global.mode=predict \ -o Predict.model_dir="./output/best_accuracy/inference" \ -o Predict.input="general_ocr_001.png" \ -o Global.device=xpu

配置文件中的Global.device字段即设备入口，例如 MobileNetV3_large_x1_0 配置 中device: gpu:0,1,2,3，在 XPU 上改为device: xpu:0,1,2,3即可。更多产线使用教程见 PaddleX产线开发工具本地使用教程。

四、图像分类模块模型清单

详见图像分类模块教程。以下指标为ImageNet-1k 验证集 Top1 Acc。

选型要点：在图像分类模块中，PP-LCNet_x0_25（5.5 MB）是存储最小的选择，PP-HGNet_base（Top1 Acc 85.0%）是精度最高的选择；MobileNetV3与PP-LCNet系列在「精度/体积」折中上选择面最广，适合资源受限的 XPU 场景。以 MobileNetV3_large_x1_0 配置文件 为例，训练参数（batch_size: 128、learning_rate: 0.13、warmup_steps: 5等）与预训练权重路径均已内置，可直接把Global.device改为xpu后在昆仑平台上训练。

五、目标检测模块模型清单

详见目标检测模块教程。以下指标为COCO2017 验证集 mAP(0.5:0.95)。

选型要点：PicoDet-S（4.4 MB）存储占用最小，PP-YOLOE_plus-X（mAP 54.7%）精度最高；PicoDet系列整体轻量，适合在 XPU 端侧部署目标检测能力。

六、语义分割与异常检测模块模型清单

6.1 语义分割模块

详见语义分割模块教程。以下指标为Cityscapes 数据集 mIoU。

6.2 异常检测模块

详见异常检测模块教程。以下指标为MVTec AD 验证集平均异常分数（Avg）。

6.3 人脸检测模块

详见人脸检测模块教程。以下指标在WIDER-FACE 验证集、640×640 输入尺寸下评估得到。

七、OCR 相关模块模型清单

7.1 文本检测模块

详见文本检测模块教程。评估集为 PaddleOCR 自建中文数据集，覆盖街景、网图、文档、手写等多个场景，检测含 500 张图片。

7.2 文本识别模块

详见文本识别模块教程。评估集为 PaddleOCR 自建中文数据集，识别含 1.1 万张图片。

7.3 版面区域检测模块

详见版面区域检测模块教程。评估集为 PaddleOCR 自建版面区域分析数据集，含 1 万张图片。

选型要点：OCR 场景中，PP-OCRv4_mobile_det（4.2 MB）与PP-OCRv4_mobile_rec（10.6 MB）组合适合轻量部署，PP-OCRv4_server_*系列精度更高但体积更大；检测、识别、版面检测三类模型组合起来即可在 XPU 上搭建完整 OCR/文档理解产线。

八、时序预测模块模型清单

详见时序预测模块教程。以下精度指标测量自 ETTH1 数据集（测试集 test.csv 上的评测结果），推理耗时给出 GPU/CPU 的「常规模式 / 高性能模式」两组数据。

选型要点：三个线性时序模型体积均不足 0.1 MB，其中 DLinear 精度最优（mse 0.382），NLinear/RLinear 存储更小（0.04 MB），非常适合在 XPU 嵌入式平台做低成本时序预测。

九、源码视角：XPU 设备支持机制

上述清单并非任意模型都可在 XPU 上运行，PaddleX 在源码层面对设备—模型匹配做了显式约束，这一点可以通过仓库源码得到验证。

9.1 设备类型解析与 XPU 环境变量

在 paddlex/utils/device.py 中：

• SUPPORTED_DEVICE_TYPE = ["cpu", "gpu", "xpu", "npu", "mlu", "gcu", "dcu"]（第 28 行），xpu是原生支持的目标设备类型之一；
• parse_device()负责把xpu:0,1,2,3这类字符串解析为设备类型与设备号列表，set_env_for_device_type()在设备为xpu时自动设置一组运行环境变量（第 111-118 行）：

if device_type.lower() == "xpu": envs = { "BKCL_FORCE_SYNC": "1", # 强制同步，保证多卡通信一致 "BKCL_TIMEOUT": "1800", # 通信超时时间 "FLAGS_use_stride_kernel": "0", "XPU_BLACK_LIST": "pad3d", # 在 XPU 上禁用 pad3d 算子 } _set(envs)

即用户声明device="xpu"后，PaddleX 会自动完成 BKCL（百度昆仑通信库）相关环境配置与算子黑名单设置，无需手工干预。

9.2 XPU 模型白名单

在 paddlex/utils/custom_device_list.py 中定义了XPU_WHITELIST，包含 ResNet/ResNet_vd 全系列、PP-LCNet、MobileNetV3、PP-HGNet、PP-YOLOE_plus、PicoDet 系列、STFPM、PP-LiteSeg-T、PP-OCRv4 系列、PicoDet_layout_1x、DLinear/NLinear/RLinear、PicoDet_LCNet_x2_5_face 等模型——与本文档各模块表格中的模型一一对应。

同时，paddlex/utils/device.py 的check_supported_device_type()（第 146-149 行）会在 XPU 设备上执行白名单校验：

elif device_type == "xpu": assert model_name in XPU_WHITELIST, ( f"The XPU device does not yet support `{model_name}` model!" + tips )

这意味着若你试图在 XPU 上运行白名单之外的模型，会收到明确报错提示；如需临时跳过该校验，可以设置环境变量PADDLE_PDX_DISABLE_DEV_MODEL_WL。此外，从源码可见 XPU 白名单还包含部分更新的模型（如 PP-OCRv5 系列、PP-DocLayout 系列、PP-FormulaNet、PPDocBee 等），实际支持范围以 paddlex/utils/custom_device_list.py 中的XPU_WHITELIST为准，本文表格反映了 model_list_xpu.md 当前记录的 Benchmark 数据。

十、总结：在昆仑 XPU 上完成模型选型

综合全文，在昆仑 XPU 硬件平台上使用 PaddleX 的完整路径是：

1. 准备环境：按 昆仑 XPU 飞桨安装教程 安装 XPU 版飞桨，并按 PaddleX多硬件使用指南 安装 PaddleX（推理用 Wheel 包，二次开发用插件模式）；
2. 按模块选型：根据本文各模块表格中的精度与体积数据，结合业务对精度/存储的权衡，从图像分类、目标检测、语义分割、异常检测、人脸检测、文本检测、文本识别、版面检测、时序预测模块中分别确定模型；
3. 配置设备参数：产线推理使用paddlex --pipeline <产线名> --device xpu:0或create_pipeline(..., device="xpu:0")；单模型训练/推理在 YAML 配置中设置Global.device=xpu:0,1,2,3；
4. 遵循白名单约束：所选模型需位于源码XPU_WHITELIST中，超出范围时按 paddlex/utils/device.py 中的校验提示调整模型或设置PADDLE_PDX_DISABLE_DEV_MODEL_WL。

至此，你即可在昆仑 XPU 设备上完成从模型选型、产线推理到二次微调的完整落地。

• 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