paddlers/test_tipc

飞桨训推一体全流程（TIPC）

1 简介

飞桨除了基本的模型训练和预测，还提供了支持多端多平台的高性能推理部署工具。本文档提供了飞桨训推一体全流程（Training and Inference Pipeline Criterion(TIPC)）信息和测试工具，方便用户查阅每种模型的训练推理部署打通情况，并可以进行一键测试。

2 汇总信息

打通情况汇总如下，已填写的部分表示可以使用本工具进行一键测试，未填写的表示正在支持中。

字段说明：

• 基础训练预测：指Linux GPU/CPU环境下的模型训练、Paddle Inference Python预测。
• 更多训练方式：包括多机多卡、混合精度训练。
• 更多部署方式：包括C++预测、Serving服务化部署、ARM端侧部署等多种部署方式，具体列表见3.3节
• Slim训练部署：包括PACT在线量化、离线量化。
• 更多训练环境：包括Windows GPU/CPU、Linux NPU、Linux DCU等多种环境。

任务类别	模型名称	基础 训练预测	更多 训练方式	更多 部署方式	Slim 训练部署	更多 训练环境
变化检测	BIT	支持	-	-	-
变化检测	CDNet	支持	-	-	-
变化检测	DSAMNet	支持	-	-	-
变化检测	DSIFN	支持	-	-	-
变化检测	SNUNet	支持	-	-	-
变化检测	STANet	支持	-	-	-
变化检测	FC-EF	支持	-	-	-
变化检测	FC-Siam-conc	支持	-	-	-
变化检测	FC-Siam-diff	支持	-	-	-
变化检测	ChangeFormer	支持	-	-	-
场景分类	CondenseNet V2	支持	-	-	-
场景分类	HRNet	支持	-	-	-
场景分类	MobileNetV3	支持	-	-	-
场景分类	ResNet50-vd	支持	-	-	-
图像复原	DRN	支持	-	-	-
图像复原	EARGAN	支持	-	-	-
图像复原	LESRCNN	支持	-	-	-
目标检测	Faster R-CNN	支持	-	-	-
目标检测	PP-YOLO	支持	-	-	-
目标检测	PP-YOLO Tiny	支持	-	-	-
目标检测	PP-YOLOv2	支持	-	-	-
目标检测	YOLOv3	支持	-	-	-
图像分割	BiSeNet V2	支持	-	-	-
图像分割	DeepLab V3+	支持	-	-	-
图像分割	FactSeg	支持	-	-	-
图像分割	FarSeg	支持	-	-	-
图像分割	Fast-SCNN	支持	-	-	-
图像分割	HRNet	支持	-	-	-
图像分割	UNet	支持	-	-	-

3 测试工具简介

3.1 目录介绍

test_tipc
    |--configs                                      # 配置目录
    |    |--task_name                               # 任务名称
    |           |--model_name                       # 模型名称
    |                   |--train_infer_python.txt   # 基础训练推理测试配置文件
    |--docs                                         # 文档目录
    |   |--test_train_inference_python.md           # 基础训练推理测试说明文档
    |----README.md                                  # TIPC说明文档
    |----prepare.sh                                 # TIPC基础训练推理测试数据准备脚本
    |----test_train_inference_python.sh             # TIPC基础训练推理测试解析脚本
    |----common_func.sh                             # TIPC基础训练推理测试常用函数

3.2 测试流程概述

使用本工具，可以测试不同功能的支持情况。测试过程包含：

1. 准备数据与环境；
2. 运行测试脚本，观察不同配置是否运行成功。

3.3 开始测试

请参考相应文档，完成指定功能的测试。

• 基础训练预测测试：
  • Linux GPU/CPU 基础训练推理测试