PaddleX 海光 DCU 产线支持指南：基础产线、模型与部署实战

• 人工智能
• 大模型
• 低代码
• 计算机视觉
• 深度学习
• NLP
• 模型推理服务
• RAG

本文以仓库文档 docs/support_list/pipelines_list_dcu.md 为骨架，结合 DCU 模型列表、海光 DCU 飞桨安装教程、PaddleX 多硬件使用指南 及产线配置文件编写，全面梳理 PaddleX 在海光 DCU（深度学习计算单元）上的产线支持现状。

PaddleX 是飞桨（PaddlePaddle）生态下的全流程低代码开发工具，支持在 CPU/GPU 之外的多种国产硬件上运行。本文聚焦海光 DCU（Hygon Deep Computing Unit）：当前官方开放的是通用图像分类与通用语义分割两条基础产线，特色产线暂未开放。读完本文，你将掌握 DCU 上可用产线的功能边界、对应模型与配置细节，并能够完成 DCU 环境搭建、飞桨安装与产线推理的完整实践。

一、文档定位：PaddleX 的 DCU 产线支持矩阵

在 docs/support_list/ 目录下，PaddleX 为每种硬件维护了独立的产线与模型支持列表，包括 NPU、XPU、MLU、DCU、GCU 等。pipelines_list_dcu.md即海光 DCU 专属的产线支持清单，它与通用版本 pipelines_list.md 形成对照——后者列出全部产线，而 DCU 版本只列出当前在 DCU 上经过验证、可稳定运行的产线，帮助开发者在国产化硬件选型时快速判断能力边界。

从文档结构看，DCU 产线清单分为两部分：

• 基础产线（第 1 节）：通用图像分类、通用语义分割；
• 特色产线（第 2 节）：当前状态为「暂不支持，敬请期待」。

这种「基础产线先行、特色产线逐步开放」的节奏，也是 PaddleX 在国产硬件上分批适配的普遍模式（MLU 版本同样只开放了图像分类、目标检测、语义分割、通用 OCR、时序预测等基础产线，见 pipelines_list_mlu.md）。

二、基础产线总览

DCU 基础产线汇总如下表（继承自 pipelines_list_dcu.md）：

两条产线均可在星河社区（AI Studio）在线体验，也可以基于本文后续介绍的流程在本地 DCU 上部署推理。

三、通用图像分类产线详解

3.1 产线能力

通用图像分类产线负责「给定一张图像，输出其所属预定义类别」的分类任务，是计算机视觉中最基础、使用面最广的能力之一。在 DCU 上，它面向的典型场景包括：

• 商品图片的自动分类与识别：电商与零售场景中按品类归档商品图；
• 流水线质检：实时识别产线上不合格产品；
• 安防监控：对监控画面中的人员类型进行识别。

3.2 产线默认配置解读

仓库中该产线的默认配置位于 paddlex/configs/pipelines/image_classification.yaml，内容如下：

pipeline_name: image_classification SubModules: ImageClassification: module_name: image_classification model_name: PP-LCNet_x0_5 model_dir: null batch_size: 4 topk: 5

各字段含义：

• pipeline_name：产线名称，也是 CLI / Python API 中引用该产线的标识；
• SubModules.ImageClassification：该产线由图像分类模块构成，module_name对应模块注册名；
• model_name：默认使用的模型，仓库默认配置为轻量级模型PP-LCNet_x0_5，兼顾精度与推理开销；
• model_dir：自定义模型目录，默认null表示使用官方预训练模型；训练调优后可在此填入导出模型的本地路径；
• batch_size：批大小，默认 4，可按 DCU 显存与吞吐需求调整；
• topk：返回置信度最高的前 k 个类别，默认 5。

3.3 DCU 可用的图像分类模型

根据 model_list_dcu.md，DCU 上可用的图像分类模型如下（精度为 ImageNet-1k 验证集 Top1 Acc）：

可以看到，DCU 模型列表同时覆盖了 ResNet 系列高精度模型与 PP-LCNet 轻量模型，开发者可以依据「更重精度 or 更小存储」的实际诉求做取舍。模型的推理模型 / 训练模型下载入口，均以表格形式列在 model_list_dcu.md 中。图像分类模块的完整使用教程（数据准备、训练、评估、推理）可参考 docs/module_usage/tutorials/cv_modules/image_classification.md。

四、通用语义分割产线详解

4.1 产线能力

语义分割将图像中每一个像素都归类到语义类别，输出像素级标签图（label map）。相比分类与检测，它能给出精细到像素的边界，典型方法包括 FCN、U-Net 等。在 DCU 上，官方列出的适用场景为：

• 遥感与 GIS：卫星图像中的地物分析；
• 机器人视觉：障碍物与可通行区域的分割；
• 影视制作：前景与背景的分离。

4.2 产线默认配置解读

默认配置位于 paddlex/configs/pipelines/semantic_segmentation.yaml：

pipeline_name: semantic_segmentation SubModules: SemanticSegmentation: module_name: semantic_segmentation model_name: PP-LiteSeg-T model_dir: null batch_size: 1 target_size: None

其中：

• model_name默认取PP-LiteSeg-T，这是飞桨自研的轻量实时分割模型，适合在 DCU 上以较低资源开销完成分割推理；
• batch_size默认 1，分割任务输入为高分辨率图像时建议保持小批；
• target_size默认None，表示按模型内置预处理规格缩放输入，也可显式指定（如[512, 512]）控制输入分辨率。

4.3 DCU 可用的语义分割模型

来自 model_list_dcu.md，精度为 Cityscapes 验证集 mIoU：

若追求极致精度可选 Deeplabv3_Plus 系列，若追求轻量与速度可选 PP-LiteSeg-T。语义分割模块的完整教程见 docs/module_usage/tutorials/cv_modules/semantic_segmentation.md。

五、特色产线支持状态

在 pipelines_list_dcu.md 的第 2 节「特色产线」中，DCU 当前状态明确标注为：

暂不支持，敬请期待！

也就是说，诸如文档场景信息抽取（PP-ChatOCRv3/v4）、通用 OCR、表格识别、时序预测/异常检测/分类、小目标检测、开放词汇检测/分割等特色产线，目前尚未列入 DCU 官方支持清单。若业务强依赖这些产线，建议先评估 CPU/GPU 环境（对应清单见 pipelines_list.md），或持续关注 PaddleX 后续的 DCU 适配进展。

六、DCU 环境准备：飞桨 DCU 版安装

在运行任何产线之前，需要先完成海光 DCU 环境与飞桨 DCU 版安装。以下步骤摘录自 海光 DCU 飞桨安装教程。

6.1 硬件与镜像前提

当前 PaddleX 支持海光 Z100 系列芯片。由于环境差异较大，官方推荐直接使用飞桨发布的海光 DCU 开发镜像——该镜像预装了海光 DCU 基础运行环境库（DTK），可省去繁琐的底层驱动配置。镜像仅作为开发环境，不包含预编译的飞桨安装包。

6.2 拉取镜像并启动容器

docker pull ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddle-dcu:dtk24.04.1-kylinv10-gcc82

启动容器时，建议开启共享内存、宿主网络与特权模式等配置，参考命令如下：

docker run -it --name paddle-dcu-dev -v `pwd`:/work \ -w=/work --shm-size=128G --network=host --privileged \ --cap-add=SYS_PTRACE --security-opt seccomp=unconfined \ ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddle-dcu:dtk24.04.1-kylinv10-gcc82 /bin/bash

其中--shm-size=128G保证 DataLoader 等并行数据加载不会因共享内存不足而失败，--privileged与 SYS_PTRACE 相关参数用于保证 DCU 设备访问与调试能力。

6.3 安装飞桨 DCU 版 wheel 包

在容器内执行（注意：飞桨框架 DCU 版仅支持海光 C86 架构）：

pip install paddlepaddle-dcu -i https://www.paddlepaddle.org.cn/packages/nightly/dcu

安装完成后运行自检：

python -c "import paddle; paddle.utils.run_check()"

预期输出：

PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.

看到该提示即代表飞桨已在 DCU 上正确安装并可正常执行算子。

七、在 DCU 上使用 PaddleX 产线

7.1 安装 PaddleX

飞桨安装完成后，安装 PaddleX 本体。PaddleX 提供两种安装模式（详见 多硬件使用指南）：

• Wheel 包安装：面向「模型推理与集成」，安装后可直接对 PaddleX 支持的模型做推理；
• 插件安装：面向「二次开发」，通过paddlex --install PaddleXXX安装对应插件（如 PaddleOCR、PaddleClas、PaddleSeg、PaddleDetection、PaddleTS 等）后，可进一步进行模型训练。

以源码 + 插件模式为例：

git clone https://gitcode.com/paddlepaddle/PaddleX cd PaddleX pip install -e . paddlex --install PaddleClas PaddleSeg # 按需安装插件，不填名称则安装全部

7.2 使用方式与 GPU 完全一致，仅需指定 device

PaddleX 的多硬件使用原则是：使用方式与 GPU 一致，只需把设备参数修改为对应硬件。在 DCU 上即device="dcu"（或dcu:0指定卡号）。以通用图像分类产线为例：

命令行方式：

paddlex --pipeline image_classification --input demo.jpg --device dcu:0

Python 脚本方式：

from paddlex import create_pipeline pipeline = create_pipeline(pipeline="image_classification", device="dcu:0") output = pipeline.predict("demo.jpg") for res in output: res.print() res.save_to_img("./output/")

create_pipeline会按 image_classification.yaml 的默认配置（PP-LCNet_x0_5、topk=5）自动装载模型并调度到 DCU 上执行。语义分割产线同理，将pipeline="semantic_segmentation"即可。

7.3 单模型二次开发（微调与推理）

若对预训练模型效果不满意，可基于产线包含的模块做单模型微调。训练时通过-o Global.device=dcu指定设备，多卡可写dcu:0,1,2,3：

# 训练 python main.py -c paddlex/configs/modules/image_classification/PP-LCNet_x1_0.yaml \ -o Global.mode=train \ -o Global.dataset_dir=./dataset/cls_dataset \ -o Global.device=dcu:0 # 推理 python main.py -c paddlex/configs/modules/image_classification/PP-LCNet_x1_0.yaml \ -o Global.mode=predict \ -o Predict.model_dir="./output/best_model/inference" \ -o Predict.input="demo.jpg" \ -o Global.device=dcu

以 PP-LCNet_x1_0.yaml 为例，单模型配置中还包含Train.num_classes、Train.epochs_iters、Train.learning_rate、Train.pretrain_weight_path等训练参数，以及Export.weight_path、Predict.model_dir、Predict.kernel_option.run_mode等导出与推理参数，可按需通过-o覆盖。语义分割单模型配置见 PP-LiteSeg-T.yaml。产线的完整开发指南（含更多产线的配置、训练与部署流程）可参考 docs/pipeline_usage/pipeline_develop_guide.md。

八、DCU 支持的模型清单速览

虽然 DCU 基础产线目前只开放了图像分类与语义分割，但 model_list_dcu.md 展示的模块级模型支持面更宽，以下模块的模型均标注了 DCU 可用的推理/训练下载入口，可用于模块级推理或二次开发（指标口径均以该文档为准）：

说明：上表仅为速览，完整的多模型明细（含推理/训练模型下载链接、精确指标数值与评测口径）请直接查阅 model_list_dcu.md，避免本文转述造成精度损失。

九、注意事项与限制

基于 pipelines_list_dcu.md、paddlepaddle_install_DCU.md 与 multi_devices_use_guide.md 的内容，在 DCU 上使用 PaddleX 时有以下几点需要明确：

1. 硬件架构约束：当前仅支持海光 Z100 系列芯片，且飞桨 DCU 版只支持海光 C86 架构，选型前需确认硬件型号；
2. 产线边界：官方 DCU 基础产线为通用图像分类、通用语义分割；特色产线（OCR、文档信息抽取、时序系列等）暂未开放，相关业务需先评估 CPU/GPU 环境；
3. 环境一致性：强烈建议使用官方 DCU 开发镜像（预装 DTK），自行搭建环境时需自行保证 DTK 版本与飞桨 DCU 版兼容；
4. 设备参数写法：CLI 使用--device dcu（或dcu:0），Python API 使用device="dcu:0"，训练场景多卡可写dcu:0,1,2,3；
5. 模型下载：DCU 可用模型的推理/训练权重下载入口统一维护在 model_list_dcu.md 中，配置model_dir指向本地模型即可实现离线部署。

综上，PaddleX 在海光 DCU 上的能力正按「基础产线先行、特色产线跟进」的节奏逐步铺开。对于图像分类与语义分割两类高频 CV 任务，当前版本已具备从环境安装、产线推理到单模型微调的完整闭环；对于更丰富的特色产线，建议持续跟进仓库文档更新（对照 pipelines_list.md 中的完整产线能力做规划），待 DCU 适配开放后即可无缝切换。

• 人工智能
• 大模型
• 低代码
• 计算机视觉
• 深度学习
• NLP
• 模型推理服务
• RAG