quick_start.md

快速开始

说明：

• 飞桨低代码开发工具PaddleX，依托于PaddleSeg的先进技术，支持了图像分割领域的低代码全流程开发能力。通过低代码全流程开发，可实现简单且高效的模型使用、组合与定制。
• PaddleX 致力于实现产线级别的模型训练、推理与部署。模型产线是指一系列预定义好的、针对特定AI任务的开发流程，其中包含能够独立完成某类任务的单模型（单功能模块）组合。本文档提供图像分割相关产线的快速使用，单功能模块的快速使用以及更多功能请参考PaddleSeg低代码全流程开发中相关章节。

🛠️ 安装

❗安装PaddleX前请先确保您有基础的Python运行环境。（注：当前支持Python 3.8 ～ Python 3.10下运行，更多Python版本适配中）。

• 安装PaddlePaddle

# cpu
python -m pip install paddlepaddle==3.0.0b2 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

# gpu，该命令仅适用于 CUDA 版本为 11.8 的机器环境
python -m pip install paddlepaddle-gpu==3.0.0b2 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

# gpu，该命令仅适用于 CUDA 版本为 12.3 的机器环境
python -m pip install paddlepaddle-gpu==3.0.0b2 -i https://www.paddlepaddle.org.cn/packages/stable/cu123/

❗ 更多飞桨 Wheel 版本请参考飞桨官网。

• 安装PaddleX

pip install paddlex==3.0.0b2

❗ 更多安装方式参考PaddleX安装教程

💻 命令行使用

一行命令即可快速体验产线效果，统一的命令行格式为：

paddlex --pipeline [产线名称] --input [输入图片] --device [运行设备]

只需指定三个参数：

• pipeline：产线名称
• input：待处理的输入图片的本地路径或URL
• device: 使用的GPU序号（例如gpu:0表示使用第0块GPU），也可选择使用CPU（cpu）

以通用语义分割产线为例：

paddlex --pipeline semantic_segmentation --input https://paddle-model-ecology.bj.bcebos.com/paddlex/PaddleX3.0/application/semantic_segmentation/makassaridn-road_demo.png --device gpu:0

运行后，得到的结果为：

{'input_path': '/root/.paddlex/predict_input/makassaridn-road_demo.png', 'pred': '...'}

其他产线的命令行使用，只需将pipeline参数调整为相应产线的名称。下面列出了每个产线对应的命令：

产线名称	使用命令
通用语义分割	paddlex --pipeline semantic_segmentation --input https://paddle-model-ecology.bj.bcebos.com/paddlex/PaddleX3.0/application/semantic_segmentation/makassaridn-road_demo.png --device gpu:0
图像异常检测	paddlex --pipeline anomaly_detection --input https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/uad_grid.png --device gpu:0

📝 Python脚本使用

使用 测试文件，并将 predict()的参数替换为本地路径，几行代码即可完成产线的快速推理，图像异常检测的Python示例代码如下：

from paddlex import create_pipeline

pipeline = create_pipeline(pipeline="anomaly_detection")

output = pipeline.predict("uad_grid.png")
for res in output:
    res.print() ## 打印预测的结构化输出
    res.save_to_img("./output/") ## 保存结果可视化图像
    res.save_to_json("./output/") ## 保存预测的结构化输出

执行了如下几个步骤：

• create_pipeline() 实例化产线对象
• 传入图片并调用产线对象的predict 方法进行推理预测
• 对预测结果进行处理

运行后，得到的结果为：

{'input_path': 'uad_grid.png'}

其他产线的Python脚本使用，只需将create_pipeline()方法的pipeline参数调整为相应产线的名称。下面列出了每个产线对应的参数名称及详细的使用解释：

产线名称	对应参数	详细说明
通用语义分割	semantic_segmentation	通用语义分割产线Python脚本使用说明
图像异常检测	anomaly_detection	图像异常检测产线Python脚本使用说明