PaddleX模型列表（CPU/GPU）

PaddleX 内置了多条产线，每条产线都包含了若干模块，每个模块包含若干模型，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。

图像分类模块

模型名称	Top1 Acc（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
CLIP_vit_base_patch16_224	85.36	13.1957	285.493	306.5 M
CLIP_vit_large_patch14_224	88.1	51.1284	1131.28	1.04 G
ConvNeXt_base_224	83.84	12.8473	1513.87	313.9 M
ConvNeXt_base_384	84.90	31.7607	3967.05	313.9 M
ConvNeXt_large_224	84.26	26.8103	2463.56	700.7 M
ConvNeXt_large_384	85.27	66.4058	6598.92	700.7 M
ConvNeXt_small	83.13	9.74075	1127.6	178.0 M
ConvNeXt_tiny	82.03	5.48923	672.559	101.4 M
FasterNet-L	83.5	23.4415	-	357.1 M
FasterNet-M	83.0	21.8936	-	204.6 M
FasterNet-S	81.3	13.0409	-	119.3 M
FasterNet-T0	71.9	12.2432	-	15.1 M
FasterNet-T1	75.9	11.3562	-	29.2 M
FasterNet-T2	79.1	10.703	-	57.4 M
MobileNetV1_x0_5	63.5	1.86754	7.48297	4.8 M
MobileNetV1_x0_25	51.4	1.83478	4.83674	1.8 M
MobileNetV1_x0_75	68.8	2.57903	10.6343	9.3 M
MobileNetV1_x1_0	71.0	2.78781	13.98	15.2 M
MobileNetV2_x0_5	65.0	4.94234	11.1629	7.1 M
MobileNetV2_x0_25	53.2	4.50856	9.40991	5.5 M
MobileNetV2_x1_0	72.2	6.12159	16.0442	12.6 M
MobileNetV2_x1_5	74.1	6.28385	22.5129	25.0 M
MobileNetV2_x2_0	75.2	6.12888	30.8612	41.2 M
MobileNetV3_large_x0_5	69.2	6.31302	14.5588	9.6 M
MobileNetV3_large_x0_35	64.3	5.76207	13.9041	7.5 M
MobileNetV3_large_x0_75	73.1	8.41737	16.9506	14.0 M
MobileNetV3_large_x1_0	75.3	8.64112	19.1614	19.5 M
MobileNetV3_large_x1_25	76.4	8.73358	22.1296	26.5 M
MobileNetV3_small_x0_5	59.2	5.16721	11.2688	6.8 M
MobileNetV3_small_x0_35	53.0	5.22053	11.0055	6.0 M
MobileNetV3_small_x0_75	66.0	5.39831	12.8313	8.5 M
MobileNetV3_small_x1_0	68.2	6.00993	12.9598	10.5 M
MobileNetV3_small_x1_25	70.7	6.9589	14.3995	13.0 M
MobileNetV4_conv_large	83.4	12.5485	51.6453	125.2 M
MobileNetV4_conv_medium	79.9	9.65509	26.6157	37.6 M
MobileNetV4_conv_small	74.6	5.24172	11.0893	14.7 M
MobileNetV4_hybrid_large	83.8	20.0726	213.769	145.1 M
MobileNetV4_hybrid_medium	80.5	19.7543	62.2624	42.9 M
PP-HGNet_base	85.0	14.2969	327.114	249.4 M
PP-HGNet_small	81.51	5.50661	119.041	86.5 M
PP-HGNet_tiny	79.83	5.22006	69.396	52.4 M
PP-HGNetV2-B0	77.77	6.53694	23.352	21.4 M
PP-HGNetV2-B1	79.18	6.56034	27.3099	22.6 M
PP-HGNetV2-B2	81.74	9.60494	43.1219	39.9 M
PP-HGNetV2-B3	82.98	11.0042	55.1367	57.9 M
PP-HGNetV2-B4	83.57	9.66407	54.2462	70.4 M
PP-HGNetV2-B5	84.75	15.7091	115.926	140.8 M
PP-HGNetV2-B6	86.30	21.226	255.279	268.4 M
PP-LCNet_x0_5	63.14	3.67722	6.66857	6.7 M
PP-LCNet_x0_25	51.86	2.65341	5.81357	5.5 M
PP-LCNet_x0_35	58.09	2.7212	6.28944	5.9 M
PP-LCNet_x0_75	68.18	3.91032	8.06953	8.4 M
PP-LCNet_x1_0	71.32	3.84845	9.23735	10.5 M
PP-LCNet_x1_5	73.71	3.97666	12.3457	16.0 M
PP-LCNet_x2_0	75.18	4.07556	16.2752	23.2 M
PP-LCNet_x2_5	76.60	4.06028	21.5063	32.1 M
PP-LCNetV2_base	77.05	5.23428	19.6005	23.7 M
PP-LCNetV2_large	78.51	6.78335	30.4378	37.3 M
PP-LCNetV2_small	73.97	3.89762	13.0273	14.6 M
ResNet18_vd	72.3	3.53048	31.3014	41.5 M
ResNet18	71.0	2.4868	27.4601	41.5 M
ResNet34_vd	76.0	5.60675	56.0653	77.3 M
ResNet34	74.6	4.16902	51.925	77.3 M
ResNet50_vd	79.1	10.1885	68.446	90.8 M
ResNet50	76.5	9.62383	64.8135	90.8 M
ResNet101_vd	80.2	20.0563	124.85	158.4 M
ResNet101	77.6	19.2297	121.006	158.7 M
ResNet152_vd	80.6	29.6439	181.678	214.3 M
ResNet152	78.3	30.0461	177.707	214.2 M
ResNet200_vd	80.9	39.1628	235.185	266.0 M
StarNet-S1	73.6	9.895	23.0465	11.2 M
StarNet-S2	74.8	7.91279	21.9571	14.3 M
StarNet-S3	77.0	10.7531	30.7656	22.2 M
StarNet-S4	79.0	15.2868	43.2497	28.9 M
SwinTransformer_base_patch4_window7_224	83.37	16.9848	383.83	310.5 M
SwinTransformer_base_patch4_window12_384	84.17	37.2855	1178.63	311.4 M
SwinTransformer_large_patch4_window7_224	86.19	27.5498	689.729	694.8 M
SwinTransformer_large_patch4_window12_384	87.06	74.1768	2105.22	696.1 M
SwinTransformer_small_patch4_window7_224	83.21	16.3982	285.56	175.6 M
SwinTransformer_tiny_patch4_window7_224	81.10	8.54846	156.306	100.1 M

注：以上精度指标为 ImageNet-1k 验证集 Top1 Acc。

图像多标签分类模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
CLIP_vit_base_patch16_448_ML	89.15	-	-	325.6
PP-HGNetV2-B0_ML	80.98	-	-	39.6
PP-HGNetV2-B4_ML	87.96	-	-	88.5
PP-HGNetV2-B6_ML	91.25	-	-	286.5
PP-LCNet_x1_0_ML	77.96	-	-	29.4
ResNet50_ML	83.50	-	-	108.9

注：以上精度指标为 COCO2017 的多标签分类任务mAP。

行人属性模块

模型名称	mA（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-LCNet_x1_0_pedestrian_attribute	92.2	3.84845	9.23735	6.7M

注：以上精度指标为 PaddleX 内部自建数据集mA。

车辆属性模块

模型名称	mA（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-LCNet_x1_0_vehicle_attribute	91.7	3.84845	9.23735	6.7 M

注：以上精度指标为 VeRi 数据集 mA。

图像特征模块

模型名称	recall@1（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-ShiTuV2_rec	84.2	5.23428	19.6005	16.3 M
PP-ShiTuV2_rec_CLIP_vit_base	88.69	13.1957	285.493	306.6 M
PP-ShiTuV2_rec_CLIP_vit_large	91.03	51.1284	1131.28	1.05 G

注：以上精度指标为 AliProducts recall@1。

文档方向分类模块

模型名称	Top-1 Acc（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-LCNet_x1_0_doc_ori	99.26	3.84845	9.23735	7.1M

注：以上精度指标为 PaddleX 内部自建数据集 Top-1 Acc 。

主体检测模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-ShiTuV2_det	41.5	33.7426	537.003	27.6 M

注：以上精度指标为 PaddleClas主体检测数据集 mAP(0.5:0.95)。

目标检测模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
Cascade-FasterRCNN-ResNet50-FPN	41.1	-	-	245.4 M
Cascade-FasterRCNN-ResNet50-vd-SSLDv2-FPN	45.0	-	-	246.2 M
CenterNet-DLA-34	37.6	-	-	75.4 M
CenterNet-ResNet50	38.9	-	-	319.7 M
DETR-R50	42.3	59.2132	5334.52	159.3 M
FasterRCNN-ResNet34-FPN	37.8	-	-	137.5 M
FasterRCNN-ResNet50-FPN	38.4	-	-	148.1 M
FasterRCNN-ResNet50-vd-FPN	39.5	-	-	148.1 M
FasterRCNN-ResNet50-vd-SSLDv2-FPN	41.4	-	-	148.1 M
FasterRCNN-ResNet50	36.7	-	-	120.2 M
FasterRCNN-ResNet101-FPN	41.4	-	-	216.3 M
FasterRCNN-ResNet101	39.0	-	-	188.1 M
FasterRCNN-ResNeXt101-vd-FPN	43.4	-	-	360.6 M
FasterRCNN-Swin-Tiny-FPN	42.6	-	-	159.8 M
FCOS-ResNet50	39.6	103.367	3424.91	124.2 M
PicoDet-L	42.6	16.6715	169.904	20.9 M
PicoDet-M	37.5	16.2311	71.7257	16.8 M
PicoDet-S	29.1	14.097	37.6563	4.4 M
PicoDet-XS	26.2	13.8102	48.3139	5.7M
PP-YOLOE_plus-L	52.9	33.5644	814.825	185.3 M
PP-YOLOE_plus-M	49.8	19.843	449.261	83.2 M
PP-YOLOE_plus-S	43.7	16.8884	223.059	28.3 M
PP-YOLOE_plus-X	54.7	57.8995	1439.93	349.4 M
RT-DETR-H	56.3	114.814	3933.39	435.8 M
RT-DETR-L	53.0	34.5252	1454.27	113.7 M
RT-DETR-R18	46.5	19.89	784.824	70.7 M
RT-DETR-R50	53.1	41.9327	1625.95	149.1 M
RT-DETR-X	54.8	61.8042	2246.64	232.9 M
YOLOv3-DarkNet53	39.1	40.1055	883.041	219.7 M
YOLOv3-MobileNetV3	31.4	18.6692	267.214	83.8 M
YOLOv3-ResNet50_vd_DCN	40.6	31.6276	856.047	163.0 M
YOLOX-L	50.1	185.691	1250.58	192.5 M
YOLOX-M	46.9	123.324	688.071	90.0 M
YOLOX-N	26.1	79.1665	155.59	3.4M
YOLOX-S	40.4	184.828	474.446	32.0 M
YOLOX-T	32.9	102.748	212.52	18.1 M
YOLOX-X	51.8	227.361	2067.84	351.5 M

注：以上精度指标为 COCO2017 验证集 mAP(0.5:0.95)。

小目标检测模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-YOLOE_plus_SOD-S	25.1	65.4608	324.37	77.3 M
PP-YOLOE_plus_SOD-L	31.9	57.1448	1006.98	325.0 M
PP-YOLOE_plus_SOD-largesize-L	42.7	458.521	11172.7	340.5 M

注：以上精度指标为 VisDrone-DET 验证集 mAP(0.5:0.95)。

行人检测模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-YOLOE-L_human	48.0	32.7754	777.691	196.1 M
PP-YOLOE-S_human	42.5	15.0118	179.317	28.8 M

注：以上精度指标为 CrowdHuman 验证集 mAP(0.5:0.95)。

车辆检测模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-YOLOE-L_vehicle	63.9	32.5619	775.633	196.1 M
PP-YOLOE-S_vehicle	61.3	15.3787	178.441	28.8 M

注：以上精度指标为 PPVehicle 验证集 mAP(0.5:0.95)。

人脸检测模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PicoDet_LCNet_x2_5_face	35.8	33.7426	537.003	27.7 M

注：以上精度指标为 wider_face 评估集 mAP(0.5:0.95)。

异常检测模块

模型名称	Avg（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
STFPM	96.2	-	-	21.5 M

注：以上精度指标为 MVTec AD 验证集 平均异常分数。

语义分割模块

模型名称	mloU（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
Deeplabv3_Plus-R50	80.36	61.0531	1513.58	94.9 M
Deeplabv3_Plus-R101	81.10	100.026	2460.71	162.5 M
Deeplabv3-R50	79.90	82.2631	1735.83	138.3 M
Deeplabv3-R101	80.85	121.492	2685.51	205.9 M
OCRNet_HRNet-W18	80.67	48.2335	906.385	43.1 M
OCRNet_HRNet-W48	82.15	78.9976	2226.95	249.8 M
PP-LiteSeg-T	73.10	7.6827	138.683	28.5 M
PP-LiteSeg-B	75.25	-	-	47.0 M
SegFormer-B0 (slice)	76.73	11.1946	268.929	13.2 M
SegFormer-B1 (slice)	78.35	17.9998	403.393	48.5 M
SegFormer-B2 (slice)	81.60	48.0371	1248.52	96.9 M
SegFormer-B3 (slice)	82.47	64.341	1666.35	167.3 M
SegFormer-B4 (slice)	82.38	82.4336	1995.42	226.7 M
SegFormer-B5 (slice)	82.58	97.3717	2420.19	229.7 M

注：以上精度指标为 Cityscapes 数据集 mloU。

模型名称	mloU（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
SeaFormer_base(slice)	40.92	24.4073	397.574	30.8 M
SeaFormer_large (slice)	43.66	27.8123	550.464	49.8 M
SeaFormer_small (slice)	38.73	19.2295	358.343	14.3 M
SeaFormer_tiny (slice)	34.58	13.9496	330.132	6.1M

注：以上精度指标为 ADE20k 数据集, slice 表示对输入图像进行了切图操作。

实例分割模块

模型名称	Mask AP	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
Mask-RT-DETR-H	50.6	132.693	4896.17	449.9
Mask-RT-DETR-L	45.7	46.5059	2575.92	113.6
Mask-RT-DETR-M	42.7	36.8329	-	66.6 M
Mask-RT-DETR-S	41.0	33.5007	-	51.8 M
Mask-RT-DETR-X	47.5	75.755	3358.04	237.5 M
Cascade-MaskRCNN-ResNet50-FPN	36.3	-	-	254.8
Cascade-MaskRCNN-ResNet50-vd-SSLDv2-FPN	39.1	-	-	254.7
MaskRCNN-ResNet50-FPN	35.6	-	-	157.5 M
MaskRCNN-ResNet50-vd-FPN	36.4	-	-	157.5 M
MaskRCNN-ResNet50-vd-SSLDv2-FPN	38.2	-	-	157.2 M
MaskRCNN-ResNet50	32.8	-	-	127.8 M
MaskRCNN-ResNet101-FPN	36.6	-	-	225.4 M
MaskRCNN-ResNet101-vd-FPN	38.1	-	-	225.1 M
MaskRCNN-ResNeXt101-vd-FPN	39.5	-	-	370.0 M
PP-YOLOE_seg-S	32.5	-	-	31.5 M

注：以上精度指标为 COCO2017 验证集 Mask AP(0.5:0.95)。

文本检测模块

模型名称	检测Hmean（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-OCRv4_mobile_det	77.79	10.6923	120.177	4.2 M
PP-OCRv4_server_det	82.69	83.3501	2434.01	100.1M

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，其中检测包含 500 张图片。

印章文本检测模块

模型名称	检测Hmean（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-OCRv4_mobile_seal_det	96.47	10.5878	131.813	4.7M
PP-OCRv4_server_seal_det	98.21	84.341	2425.06	108.3 M

注：以上精度指标的评估集是 PaddleX 自建的印章数据集，包含500印章图像。

文本识别模块

模型名称	识别Avg Accuracy(%)	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PP-OCRv4_mobile_rec	78.20	7.95018	46.7868	10.6 M
PP-OCRv4_server_rec	79.20	7.19439	140.179	71.2 M

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。

模型名称	识别Avg Accuracy(%)	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
ch_SVTRv2_rec	68.81	8.36801	165.706	73.9 M

注：以上精度指标的评估集是 PaddleOCR算法模型挑战赛 - 赛题一：OCR端到端识别任务A榜。

模型名称	识别Avg Accuracy(%)	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
ch_RepSVTR_rec	65.07	10.5047	51.5647	22.1 M

注：以上精度指标的评估集是 PaddleOCR算法模型挑战赛 - 赛题一：OCR端到端识别任务B榜。

公式识别模块

模型名称	BLEU score	normed edit distance	ExpRate （%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
LaTeX_OCR_rec	0.8821	0.0823	40.01	-	-	89.7 M

注：以上精度指标测量自 LaTeX-OCR公式识别测试集。

表格结构识别模块

模型名称	精度（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
SLANet	59.52	522.536	1845.37	6.9 M
SLANet_plus	63.69	522.536	1845.37	6.9 M

注：以上精度指标测量自 PaddleX内部自建英文表格识别数据集。

图像矫正模块

模型名称	MS-SSIM （%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
UVDoc	54.40	-	-	30.3 M

注：以上精度指标测量自 PaddleX自建的图像矫正数据集。

版面区域分析模块

模型名称	mAP（%）	GPU推理耗时（ms）	CPU推理耗时	模型存储大小（M)
PicoDet_layout_1x	86.8	13.036	91.2634	7.4M
PicoDet-L_layout_3cls	89.3	15.7425	159.771	22.6 M
RT-DETR-H_layout_3cls	95.9	114.644	3832.62	470.1M
RT-DETR-H_layout_17cls	92.6	115.126	3827.25	470.2M

注：以上精度指标的评估集是 PaddleX 自建的版面区域分析数据集，包含 1w 张图片。

时序预测模块

模型名称	mse	mae	模型存储大小（M)
DLinear	0.382	0.394	72K
NLinear	0.386	0.392	40K
Nonstationary	0.600	0.515	55.5 M
PatchTST	0.385	0.397	2.0M
RLinear	0.384	0.392	40K
TiDE	0.405	0.412	31.7M
TimesNet	0.417	0.431	4.9M

注：以上精度指标测量自 ETTH1 数据集 （在测试集test.csv上的评测结果）。

时序异常检测模块

模型名称	precison	recall	f1_score	模型存储大小（M)
AutoEncoder_ad	99.36	84.36	91.25	52K
DLinear_ad	98.98	93.96	96.41	112K
Nonstationary_ad	98.55	88.95	93.51	1.8M
PatchTST_ad	98.78	90.70	94.57	320K
TimesNet_ad	98.37	94.80	96.56	1.3M

注：以上精度指标测量自 PSM 数据集。

时序分类模块

模型名称	acc(%)	模型存储大小（M)
TimesNet_cls	87.5	792K

注：以上精度指标测量自 UWaveGestureLibrary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。