欢迎使用飞桨产业级开源模型库

简介

飞桨的产业级模型库，包含大量经过产业实践长期打磨的主流模型以及在国际竞赛中的夺冠模型；提供面向语义理解、图像分类、目标检测、图像分割、文字识别、语音合成等场景的多个端到端开发套件，满足企业低成本开发和快速集成的需求。飞桨的模型库是围绕国内企业实际研发流程量身定制打造的产业级模型库，服务企业遍布能源、金融、工业、农业等多个领域。

近期更新

2022-11-29: 更新release/2.4分支，飞桨官方模型超过600个，生态模型超过260个（数量持续更新中）.

2022-5-17: 更新release/2.3分支，飞桨官方模型超过500个，生态模型超过170个.

2021-11-30: 更新release/2.2分支，系统的梳理了飞桨官方模型、学术模型和社区模型的清单，其中官方模型超过400个，生态模型超过100个

Note:release/2.2以后分支模型均基于动态图实现，目前dev-static分支中仍有一些静态图模型代码，有需要的开发者可以继续切换到dev-static分支使用.

主要内容

目录	说明
官方模型(official)	• 面向产业实践，数量超过600个 • 飞桨PP系列模型，效果与精度最佳平衡 • 支持使用动态图开发视觉、自然语言、语音和推荐等领域模型 • 飞桨官方实现并提供持续技术支持及答疑 • 与飞桨核心框架版本对齐，已经经过充分的测试保证
学术模型(research)	• 面向学术前沿，侧重对于问题的持续更新 • 主要由飞桨相关的学术生态合作伙伴贡献
社区模型(community)	• 面向更多丰富场景，侧重对于学术论文的覆盖 • 主要由飞桨生态开发者贡献，持续更新中

欢迎加入飞桨模型库技术交流群

• 如果你希望了解飞桨模型库最新进展，或者希望与资深开发者一起讨论产业实践关注的重点模型，欢迎扫码加入飞桨模型库交流群：
• （微信扫码填写简单问卷即可添加小助手，加上好友之后回复"model" 即可入群）

致谢开发者

感谢所有为飞桨产业级模型库贡献代码的开发者，也期待你的加入。

许可证书

此向导由PaddlePaddle贡献，受Apache-2.0 license许可认证。

飞桨产业级开源模型库 (PaddleClas/PaddleDetection 等) 快速上手指南

本指南基于飞桨（PaddlePaddle）官方模型库 models，助您快速体验超过 600 个经过产业验证的主流模型。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：>= 3.7 (推荐 3.8+)
• 深度学习框架：已安装 PaddlePaddle (飞桨)
  • 注意：release/2.2 及以后分支的模型均基于动态图实现。如需使用静态图模型，请切换至 dev-static 分支。

安装 PaddlePaddle (国内加速源)

推荐使用国内镜像源安装最新稳定版：

python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

提示：如需 GPU 版本，请访问 PaddlePaddle 官网安装文档 选择对应 CUDA 版本的安装命令。

2. 安装步骤

克隆模型库代码并安装基础依赖：

# 1. 克隆仓库 (推荐使用国内 Gitee 镜像加速)
git clone https://gitee.com/paddlepaddle/models.git
cd models

# 2. 进入具体模型目录 (以官方模型为例)
# 模型库包含 official(官方), research(学术), community(社区) 三大类
cd docs/official 

# 3. 安装特定任务套件依赖
# 不同模型依赖略有不同，通常在各模型目录下有 requirements.txt
# 此处以通用的视觉或 NLP 任务为例，请根据实际选择的模型目录执行：
pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple

说明：由于模型库包含多个独立套件（如图像分类、目标检测、NLP 等），具体依赖请以您所选模型文件夹内的 README.md 或 requirements.txt 为准。

3. 基本使用

飞桨模型库提供了端到端的开发套件。以下以图像分类（PP-Models 系列）为例，展示最简单的预测流程。

示例：使用预训练模型进行图像预测

假设您已进入图像分类模型目录（例如 PaddleClas 相关结构或直接调用官方脚本）：

import paddle
from paddle.vision.models import resnet50 # 示例：加载 ResNet50
from paddle.vision.transforms import Compose, Normalize, Resize
from PIL import Image

# 1. 数据预处理
transform = Compose([
    Resize((224, 224)),
    Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 2. 加载预训练模型 (自动下载权重)
model = resnet50(pretrained=True)
model.eval()

# 3. 准备输入图片
img_path = 'test_image.jpg' # 请替换为您的图片路径
img = Image.open(img_path).convert('RGB')
img_tensor = transform(img).unsqueeze(0)

# 4. 执行预测
with paddle.no_grad():
    output = model(img_tensor)
    prediction = paddle.nn.functional.softmax(output, axis=1)
    
# 5. 输出结果
print("预测类别概率:", prediction.numpy())

更多场景

• 目标检测/分割：请参考 docs/official 下对应的检测或分割套件文档。
• 自然语言处理：请参考 docs/official 下的 NLP 相关模型目录。
• 语音合成：请参考 docs/official 下的语音相关模型目录。

您可以访问 官方模型清单 查找更多针对特定场景的端到端示例代码。