5.1 KiB

Raw Blame History

有水印/无水印分类模型

1. 模型和应用场景介绍

该案例提供了用户使用 PaddleClas 的基于 EfficientNetB3 网络构建有水印/无水印（这里的水印包括数字照片上留下的一些logo、信息、网址等）的分类模型。该模型可以广泛应用于审核场景、海量数据过滤场景等。本案例引用自水印识别,权重由官方权重转换而来。具体有无水印的图片对比如下：

可以看到，左图中有水印，右图中无水印。

2. 模型快速体验

2.1 安装 paddlepaddle

您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装

python3 -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple

您的机器是 CPU，请运行以下命令安装

python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

更多的版本需求，请参照飞桨官网安装文档中的说明进行操作。

2.2 安装 paddleclas

请确保已clone本项目，本地构建安装：

cd path/to/PaddleClas
#使用下面的命令构建
python3 setup.py install

3. 模型预测

3.1 模型预测

3.1.1 基于训练引擎预测

加载预训练模型，进行模型预测。在模型库的 tools/infer.py 中提供了完整的示例，只需执行下述命令即可完成模型预测：

python3 tools/infer.py \
    -c ./ppcls/configs/practical_models/EfficientNetB3_watermark.yaml

输出结果如下：

[{'class_ids': [0], 'scores': [0.9653296619653702], 'label_names': ['contains_watermark'], 'file_name': 'deploy/images/practical/watermark_exists/watermark_example.png'}]

备注：

默认是对 deploy/images/practical/watermark_exists/watermark_example.png 进行预测，此处也可以通过增加字段 -o Infer.infer_imgs=xxx 对其他图片预测。
二分类默认的阈值为0.5，如果需要指定阈值，可以重写 Infer.PostProcess.threshold 。

3.1.2 基于推理引擎预测

Paddle Inference 是飞桨的原生推理库，作用于服务器端和云端，提供高性能的推理能力。相比于直接基于预训练模型进行预测，Paddle Inference可使用 MKLDNN、CUDNN、TensorRT 进行预测加速，从而实现更优的推理性能。更多关于 Paddle Inference 推理引擎的介绍，可以参考 Paddle Inference官网教程。

首先，我们提供了将权重和模型转换的脚本，执行该脚本可以得到对应的 inference 模型：

python3 tools/export_model.py \
    -c ./ppcls/configs/practical_models/EfficientNetB3_watermark.yaml \
    -o Global.save_inference_dir=deploy/models/EfficientNetB3_watermark_infer

执行完该脚本后会在 deploy/models/ 下生成 EfficientNetB3_watermark_infer 文件夹，models 文件夹下应有如下文件结构：

├── EfficientNetB3_watermark_infer
│   ├── inference.pdiparams
│   ├── inference.pdiparams.info
│   └── inference.pdmodel

当然，也可以选择直接下载的方式：

cd deploy/models
# 下载 inference 模型并解压
wget https://paddleclas.bj.bcebos.com/models/practical/inference/EfficientNetB3_watermark_infer.tar && tar -xf EfficientNetB3_watermark_infer.tar

解压完毕后，models 文件夹下应有如下文件结构：

├── EfficientNetB3_watermark_infer
│   ├── inference.pdiparams
│   ├── inference.pdiparams.info
│   └── inference.pdmodel

得到 inference 模型之后基于推理引擎进行预测：返回 deploy 目录：

cd ../

运行下面的命令，对图像 ./images/practical/watermark_exists/watermark_example.png 进行有水印/无水印分类。

# 使用下面的命令使用 GPU 进行预测
python3 python/predict_cls.py -c ./configs/practical_models/watermark_exists/inference_watermark_exists.yaml
# 使用下面的命令使用 CPU 进行预测
python3 python/predict_cls.py -c ./configs/practical_models/watermark_exists/inference_watermark_exists.yaml -o Global.use_gpu=False

输出结果如下。

watermark_example.png:	class id(s): [0], score(s): [0.97], label_name(s): ['contains_watermark']

备注： 二分类默认的阈值为0.5，如果需要指定阈值，可以重写 PostProcess.ThreshOutput.threshold 。

5.1 KiB Raw Blame History Unescape Escape