STM32上C++实战：从C到C++的嵌入式开发转型指南
2026/9/22 3:00:39
从YOLO到国产芯片，这个目标检测“全家桶”凭什么让工程师直呼真香？PaddleDetection
- 一、模型矩阵：不止一个"YOLO"
- 二、最新版本与生态
- 三、安装步骤
- 第一步：安装 PaddlePaddle
- 第二步：安装 PaddleDetection
- 第三步：验证安装
- 四、快速验证：用预训练模型跑一张图
- 踩坑：单图推理报 `FileNotFoundError`
- 五、数据准备：X-AnyLabeling 一键桥接 YOLO 与 COCO（VOC 同理）
- 步骤一：YOLO 转 XLABEL（中间格式）
- 步骤二：XLABEL 转 COCO（训练管线直用）
- 19 种转换任务速查
- `xlabel2coco` 任务详情
- 划分训练/验证集
- 踩坑：训练报错 `The meta data must be valid`
- 六、配置文件详解
- 修改配置文件
- 配置文件拆解（以 PP-YOLOE 为例）
- 数据配置文件 `coco_detection.yml`
- 优化器配置文件 `optimizer_300e.yml`
- 数据读取配置文件 `ppyoloe_reader.yml`
- 模型配置文件 `ppyoloe_crn.yml`
- 运行时配置文件 `runtime.yml`
- 改动速查
- 七、启动训练
- 训练日志解读
- 八、预测与可视化
- 九、导出与部署
- 为什么必须先导出：`.pdparams` 是半成品，`.pdmodel` 才是成品
- 1. 文件内容不同（一个“带脑子”，一个“不带脑子”）
- 2. 计算图被“编译优化”（融合加速）
- 3. 输入输出格式被“标准化”（方便部署）
- 导出部署模型
- 部署推理
- `tools/infer.py` 与 `deploy/python/infer.py` 的区别
- 部署参数说明
- 十、另一个选择：DAMO-YOLO
- 参考
做目标检测的工程师，大多是从 YOLO 一路用过来的：上手快、资料全。但真到产业落地，麻烦就来了——训练、压缩、部署、适配国产硬件，每个环节都要自己找工具拼方案。PaddleDetection 把这条链路打成了一个包。
PaddleDetection 是基于百度飞桨（PaddlePaddle）的开源目标检测端到端开发套件，覆盖目标检测、实例分割、多目标跟踪、多人关键点检测等视觉任务，内置 PP-YOLOE、RT-DETR 等模型和大量高质量预训练权重，帮助开发者一站式完成从数据准备、模型选型、训练到部署的全流程。
在国产化信创方面，PaddleDetection 依托国内首个自主研发的产业级深度学习框架飞桨，原生支持统信 UOS、麒麟等国产操作系统，广泛适配昆仑芯、昇腾、寒武纪、海光、天数智芯、燧原等国产 AI 芯片，可在飞腾 CPU + 昇腾 AI 卡等国产“软硬一体”环境中稳定高效地私有化部署，为政务、金融、能源、制造等关键行业的信创改造与 AI 落地提供了自主可控的技术底座。
一、模型矩阵：不止一个"YOLO"
PaddleDetection 的模型库按“云端高精度—边缘轻量—产业场景”三条线布局，选型时基本能对号入座：
| 模型系列 | 类型 | 适用场景 |
|---|