PaddleClas

简介

飞桨图像识别套件PaddleClas是飞桨为工业界和学术界所准备的一个图像识别任务的工具集，助力使用者训练出更好的视觉模型和应用落地。

近期更新

2021.11.1 发布PP-ShiTu技术报告，新增饮料识别demo
2021.10.23 发布轻量级图像识别系统PP-ShiTu，CPU上0.2s即可完成在10w+库的图像识别。点击这里立即体验
2021.09.17 发布PP-LCNet系列超轻量骨干网络模型, 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。PP-LCNet的介绍可以参考论文, 或者PP-LCNet模型介绍，相关指标和预训练权重可以从这里下载。
more

特性

PP-ShiTu轻量图像识别系统：集成了目标检测、特征学习、图像检索等模块，广泛适用于各类图像识别任务。cpu上0.2s即可完成在10w+库的图像识别。
PP-LCNet轻量级CPU骨干网络：专门为CPU设备打造轻量级骨干网络，速度、精度均远超竞品。
丰富的预训练模型库：提供了36个系列共175个ImageNet预训练模型，其中7个精选系列模型支持结构快速修改。
全面易用的特征学习组件：集成arcmargin, triplet loss等12度量学习方法，通过配置文件即可随意组合切换。
SSLD知识蒸馏：14个分类预训练模型，精度普遍提升3%以上；其中ResNet50_vd模型在ImageNet-1k数据集上的Top-1精度达到了84.0%， Res2Net200_vd预训练模型Top-1精度高达85.1%。

欢迎加入技术交流群

您可以扫描下面的微信群二维码，加入PaddleClas 微信交流群。获得更高效的问题答疑，与各行各业开发者充分交流，期待您的加入。

快速体验

PP-ShiTu图像识别快速体验：点击这里

文档教程

安装说明
- 安装Paddle
- 安装PaddleClas
快速体验
- PP-ShiTu图像识别快速体验
- 图像分类快速体验
  - 尝鲜版
  - 进阶版
PP-ShiTu图像识别系统介绍
骨干网络和预训练模型库
数据准备
- 图像分类数据集介绍
- 图像识别数据集介绍
模型训练
模型预测部署
- 模型导出
- Python/C++ 预测引擎
  - 基于Python预测引擎预测推理
  - 基于C++预测引擎预测推理(当前只支持图像分类任务，图像识别更新中)
- 服务化部署
  - Paddle Serving服务化部署(推荐)
  - Hub serving服务化部署
- 端侧部署
- whl包预测
算法介绍
- 图像分类任务介绍
- 度量学习介绍
高阶使用
FAQ
许可证书
贡献代码

PP-ShiTu图像识别系统介绍

PP-ShiTu是一个实用的轻量级通用图像识别系统，主要由主体检测、特征学习和向量检索三个模块组成。该系统从骨干网络选择和调整、损失函数的选择、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型裁剪量化8个方面，采用多种策略，对各个模块的模型进行优化，最终得到在CPU上仅0.2s即可完成10w+库的图像识别的系统。更多细节请参考PP-ShiTu技术方案。