Paddlex

- 新增产线：
- 新增[通用图像识别产线](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/pipeline_usage/tutorials/cv_pipelines/general_image_recognition.md)，提供更强的特征提取模型，支持用户自定义图像数据库识别未知类别，相比当前开放域目标检测，可以自定义识别的总类更多。支持高性能推理和服务化部署；
- 新增[人脸识别产线](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/pipeline_usage/tutorials/cv_pipelines/face_recognition.md)，支持对人脸数据库的增加和删除，支持高性能推理和服务化部署；
- 新增[车辆属性识别产线](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/pipeline_usage/tutorials/cv_pipelines/vehicle_attribute_recognition.md)，支持对图像中的车辆进行检测和属性的识别，当前支持的属性有颜色和车型。支持高性能推理和服务化部署；
- 新增[行人属性识别线](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/pipeline_usage/tutorials/cv_pipelines/pedestrian_attribute_recognition.md)，支持对图像中的行人进行检测和属性的识别，当前支持的属性有年龄、性别、穿着等。支持高性能推理和服务化部署。

- 新增能力：
- 支持[GitHub 站点文档](https://paddlepaddle.github.io/PaddleX/latest/index.html)，支持用户搜索相关内容和对文档内容的评论；
- 支持打印模型的推理benchmark信息，相关[文档](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/module_usage/instructions/benchmark.md)；
- 新增 42 个模型开发全流程适配昇腾 910B，[模型列表](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta2/docs/support_list/model_list_npu.md)。

- 优化点：
- 公式识别产线，支持 PDF 格式输入，支持公式识别结果的可视化；
- 印章文本识别产线，支持 PDF 格式的输入；
- 通用版面解析产线，优化保存图片的名称；
- 预训练统一管理，将当前支持的模型的预训练统一管理，并内置到默认配置文件中；
- 升级模型保存的格式，为高性能推理提供保障；
- 优化部分模型的默认参数，为训练更高精度的模型提供保障。

- BugFix：
- 修复部分文档表述错误或者不当的内容，修复部分 URL 失效的问题；
- 修复文档方向分类推理模型的bug；
- 修复部分高性能推理和服务化部署的bug；
- 修复 SLANet、SLANet_plus 训练精度为 0 的bug。


PaddleX v3.0.0beta1(9.30/2024)
PaddleX 3.0 Beta1 提供 200+ 模型通过极简的 Python API 一键调用；实现基于统一命令的模型全流程开发，并开源 PP-ChatOCRv3-doc 特色模型产线基础能力；支持 100+ 模型高性能推理和服务化部署，7 类重点视觉模型端侧部署；70+ 模型开发全流程适配昇腾 910B，15+ 模型开发全流程适配昆仑芯和寒武纪。

- <b>模型丰富一键调用：</b> 将覆盖文档图像智能分析、OCR、目标检测、时序预测等多个关键领域的 200+ 飞桨模型整合为 13 条模型产线，通过极简的 Python API 一键调用，快速体验模型效果。同时支持 20+ 单功能模块，方便开发者进行模型组合使用。
- <b>提高效率降低门槛：</b> 实现基于图形界面和统一命令的模型全流程开发，打造大小模型结合、大模型半监督学习和多模型融合的8条特色模型产线，大幅度降低迭代模型的成本。
- <b>多种场景灵活部署：</b> 支持高性能部署、服务化部署和端侧部署等多种部署方式，确保不同应用场景下模型的高效运行和快速响应。
- <b>主流硬件高效支持：</b> 支持英伟达 GPU、昆仑芯、昇腾和寒武纪等多种主流硬件的无缝切换，确保高效运行。

PaddleX v3.0.0beta(6.27/2024)

- <b>基础模型产线（模型丰富，场景全面）：</b> 精选 68 个优质飞桨模型，涵盖图像分类、目标检测、图像分割、OCR、文本图像版面分析、时序预测等任务场景。
- <b>特色模型产线（显著提升效率）：</b> 提供大小模型结合、大模型半监督学习和多模型融合的高效解决方案。
- <b>低代码开发模式（便捷开发与部署）：</b> 提供零代码和低代码两种开发方式。
- 零代码开发：用户通过图形界面（GUI）交互式提交后台训练任务，打通在线和离线部署，并支持以 API 形式调用在线服务。
- 低代码开发：通过统一的 API 接口实现 16 条模型产线的全流程开发，同时支持用户自定义模型流程串联。
- <b>多硬件本地支持（兼容性强）：</b> 支持英伟达 GPU、昆仑芯、昇腾和寒武纪等多种硬件，纯离线使用。

新增超轻量分类模型PPLCNet，在Intel CPU上，单张图像预测速度约5ms，ImageNet-1K数据集上Top1识别准确率达到80.82%，超越ResNet152的模型效果 欢迎体验
新增轻量级检测特色模型PP-PicoDet，第一个在1M参数量之内mAP(0.5:0.95)超越30+(输入416像素时)，网络预测在ARM CPU下可达150FPS 欢迎体验
升级PaddleX Restful API，支持飞桨动态图开发模式 欢迎体验
新增检测模型负样本训练策略 欢迎体验
新增python轻量级服务化部署 欢迎体验

* PaddleX API
- 新增检测任务和实例分割任务的预测结果可视化、以及预测错误原因分析，辅助分析模型效果
- 新增检测任务的负样本优化，抑制背景区域的误检
- 完善语义分割任务的预测结果，支持返回预测类别和归一化后的预测置信度
- 完善图像分类任务的预测结果，支持返回归一化后的预测置信度
* 预测部署
- 完备PaddleX python预测部署, PaddleX模型使用2个API即可快速完成部署
- PaddleX C++部署全面升级，支持飞桨视觉套件PaddleDetection、PaddleClas、PaddleSeg、PaddleX的端到端统一部署能力
- 全新发布Manufacture SDK，提供工业级多端多平台部署加速的预编译飞桨部署开发包（SDK），通过配置业务逻辑流程文件即可以低代码方式快速完成推理部署
* PaddleX GUI
- 升级PaddleX GUI，支持30系列显卡
- 目标检测任务新增模型PP-YOLO V2, COCO test数据集精度达到49.5%、V100预测速度达到68.9 FPS
- 目标检测任务新增4.2MB的超轻量级模型PP-YOLO tiny
- 语义分割任务新增实时分割模型BiSeNetV2
- 新增导出API训练脚本功能，无缝切换PaddleX API训练
* 产业实践案例
- 新增以目标检测任务为主的钢筋计数、缺陷检测案例教程
- 新增以实例分割任务为主的机械手抓取案例教程
- 新增串联目标检测、语义分割、传统视觉算法的工业表计读数的训练和部署案例教程
- 新增Windows系统下使用C语言部署案例教程

PaddleX v2.0.0rc0(5.19/2021)
* 全面支持飞桨2.0动态图，更易用的开发模式
* 目标检测任务新增[PP-YOLOv2](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/tutorials/train/object_detection/ppyolov2.py), COCO test数据集精度达到49.5%、V100预测速度达到68.9 FPS
* 目标检测任务新增4.2MB的超轻量级模型[PP-YOLO tiny](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/tutorials/train/object_detection/ppyolotiny.py)
* 语义分割任务新增实时分割模型[BiSeNetV2](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/tutorials/train/semantic_segmentation/bisenetv2.py)
* C++部署模块全面升级
* PaddleInference部署适配2.0预测库[（使用文档）](https://github.com/PaddlePaddle/PaddleX/tree/release/2.0-rc/deploy/cpp)
* 支持飞桨[PaddleDetection]( https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/deploy/cpp/docs/models/paddledetection.md)、[PaddleSeg](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/deploy/cpp/docs/models/paddleseg.md)、[PaddleClas](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/deploy/cpp/docs/models/paddleclas.md)以及PaddleX的模型部署
* 新增基于PaddleInference的GPU多卡预测[（使用文档）](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/deploy/cpp/docs/demo/multi_gpu_model_infer.md)
* GPU部署新增基于ONNX的的TensorRT高性能加速引擎部署方式
* GPU部署新增基于ONNX的Triton服务化部署方式[（使用文档）](https://github.com/PaddlePaddle/PaddleX/blob/release/2.0-rc/deploy/cpp/docs/compile/triton/docker.md)

- 模型更新
> - 图像分类模型ResNet50_vd新增10万分类预训练模型
> - 目标检测模型FasterRCNN新增模型裁剪支持
> - 目标检测模型新增多通道图像训练支持

- 模型部署更新
> - 修复OpenVINO部署C++代码中部分Bug
> - 树莓派部署新增Arm V8支持

- 产业案例更新
> - 新增工业质检产业案例，提供基于GPU和CPU两种部署场景下的工业质检方案，及与质检相关的优化策略

- <b>新增RestFUL API模块</b>
新增RestFUL API模块，开发者可通过此模块快速开发基于PaddleX的训练平台
> - 增加基于RestFUL API的HTML Demo
> - 增加基于RestFUL API的Remote版可视化客户端
新增模型通过OpenVINO的部署方案

- 模型更新
> - 新增目标检测模型PPYOLO
> - FasterRCNN、MaskRCNN、YOLOv3、DeepLabv3p等模型新增内置COCO数据集预训练模型
> - 目标检测模型FasterRCNN和MaskRCNN新增backbone HRNet_W18
> - 语义分割模型DeepLabv3p新增backbone MobileNetV3_large_ssld

- 模型部署更新
> - 新增模型通过OpenVINO的部署方案
> - 新增模型在树莓派上的部署方案
> - 优化PaddleLite Android部署的数据预处理和后处理代码性能
> - 优化Paddle服务端C++代码部署代码，增加use_mkl等参数，通过mkldnn显著提升模型在CPU上的预测性能

- 产业案例更新
> - 新增RGB图像遥感分割案例
> - 新增多通道遥感分割案例
- 其它
> - 新增数据集切分功能，支持通过命令行切分ImageNet、PascalVOC、MSCOCO和语义分割数据集