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

🔥️ 2022.5.26 飞桨产业实践范例直播课，解读超轻量重点区域人员出入管理方案，欢迎报名来交流。
2022.5.23 新增人员出入管理范例库，具体内容可以在 AI Stuio 上体验。
2022.5.20 上线PP-HGNet, PP-LCNet v2
2022.4.21 新增 CVPR2022 oral论文 MixFormer 相关代码。
2022.1.27 全面升级文档；新增PaddleServing C++ pipeline部署方式和18M图像识别安卓部署Demo。
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QQ/微信二维码（添加小助手微信并回复“C”），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

环境准备
PULC超轻量图像分类实用方案
- 超轻量图像分类快速体验 (@崔程)
- [超轻量图像分类模型库]（包含benchmark @崔程）
  - xx
- 方案介绍和模型训练
- 推理部署
  - 基于python预测引擎推理
  - 基于C++预测引擎推理
  - 服务化部署
  - 端侧部署
  - Paddle2ONNX模型转化与预测
- 模型压缩
PP-ShiTu图像识别系统介绍
- 图像识别快速体验
- 模块介绍
  - 主体检测
  - 特征提取模型
  - 向量检索
  - 哈希编码
- 模型训练（包含数据集格式说明等）
- 推理部署
  - 基于python预测引擎推理
  - 基于C++预测引擎推理
  - 服务化部署
  - 端侧部署
  - Paddle2ONNX模型转化与预测
- 模型压缩
  - 模型量化
  - 模型裁剪
- 骨干网络和预训练模型库
PP系列骨干网络模型（包括算法介绍，使用，训推一体链接等）（@崔程）
- PP-HGNet
- PP-LCNet v2
- PP-LCNet
SSLD半监督知识蒸馏方案（@若愚）
- SSLD算法简介
- 预训练模型库
- 使用方法（？）
前沿算法
- 骨干网络和预训练模型库（@崔程）
  - 服务端CNN模型库
  - 移动端CNN模型库
  - Vision Transformer模型库
- 度量学习（arcmargin等算法）（@水龙）
- ReID （@水龙）
- 向量检索（@水龙）
- 哈希特征（@水龙）
- 模型蒸馏（@若愚）
- 数据增强（@崔程）
产业实用范例库（@胜禹）
30分钟快速体验图像分类（原尝鲜版）（@崔程）
FAQ
PaddleClas结构解析
社区贡献指南
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。