人臉、車(chē)輛、人體屬性、卡證、交通標(biāo)識(shí)等經(jīng)典圖像識(shí)別能力，在我們當(dāng)前數(shù)字化工作及生活中發(fā)揮著極其重要的作用。業(yè)內(nèi)也不乏頂尖公司提供的可直接調(diào)用的API、SDK，但這些往往面臨著定制化場(chǎng)景泛化效果不好、價(jià)格昂貴、黑盒可控性低、技術(shù)壁壘難以形成多諸多痛點(diǎn)。

而今天要給大家推薦的是一個(gè)完全開(kāi)源免費(fèi)的、覆蓋人、車(chē)、OCR等9大經(jīng)典識(shí)別場(chǎng)景、在CPU上可3毫秒實(shí)現(xiàn)急速識(shí)別、一行代碼就可實(shí)現(xiàn)迭代訓(xùn)練的項(xiàng)目！

圖1 PaddleClas圖像分類(lèi)應(yīng)用示意圖

話不多說(shuō)，趕緊送上傳送門(mén)，識(shí)貨的小伙伴趕緊嘗試一下吧！

https://github.com/PaddlePaddle/PaddleClas

記得Star收藏防止走丟哦！

當(dāng)然，小編不是只管吆喝的，下面就來(lái)詳細(xì)拆解下這個(gè)項(xiàng)目的過(guò)人之處吧！

圖2 9大場(chǎng)景模型效果示意圖

亮點(diǎn)一：完美平衡精度與速度

從大名鼎鼎的Resnet50到如今火熱的Swin-Transformer，模型精度不斷被刷新，但是預(yù)測(cè)效率并不高。即使是Swin-Transformer最小的模型，在CPU上的預(yù)測(cè)速度也超過(guò)100ms，遠(yuǎn)遠(yuǎn)無(wú)法滿足產(chǎn)業(yè)實(shí)時(shí)預(yù)測(cè)的需求。

而使用MobileNet系列等輕量化模型可以保證較高的預(yù)測(cè)效率，在CPU上預(yù)測(cè)一張圖像大約3ms，但是模型精度往往和大模型有很大差距。

而PaddleClas推出的超輕量圖像分類(lèi)方案（Practical Ultra Light Classification，簡(jiǎn)稱PULC），就完美解決上述產(chǎn)業(yè)落地中算法精度和速度難以平衡的痛點(diǎn)。

表1 不同模型精度速度結(jié)果對(duì)比

如圖所示，它的精度與Swin-Transformer等大模型比肩，預(yù)測(cè)速度卻可以快30倍以上，在CPU上的推理時(shí)長(zhǎng)僅需2ms！

亮點(diǎn)二：易用性極強(qiáng)

PULC方案不僅完美的平衡了精度與速度，還充分考慮了產(chǎn)業(yè)實(shí)踐過(guò)程中需要定制化的對(duì)算法快速迭代的需求，只需一行命令，就可完成模型訓(xùn)練。

與此同時(shí)，PaddleClas 團(tuán)隊(duì)還發(fā)布了包括人、車(chē)、OCR在內(nèi)的9大場(chǎng)景模型，僅需2步就能實(shí)現(xiàn)業(yè)務(wù) POC 效果驗(yàn)證，訓(xùn)練、推理、部署一條龍，真正實(shí)現(xiàn)“開(kāi)箱即用”。

不僅如此，項(xiàng)目還匹配了詳細(xì)的中文使用文檔及產(chǎn)業(yè)實(shí)踐范例教程。

圖3 使用文檔及范例示意圖

亮點(diǎn)三：集成超多硬核技術(shù)

超輕量圖像分類(lèi)方案（PULC）集成了業(yè)界4大業(yè)界領(lǐng)先的優(yōu)化策略：

圖4 超輕量圖像分類(lèi)方案（PULC）示意圖

PP-LCNet輕量級(jí)骨干網(wǎng)絡(luò)

PP-LCNet作為針對(duì)CPU量身打造的骨干網(wǎng)絡(luò)模型，在速度、精度方面均遠(yuǎn)超如MobileNetV3等同體量算法，多個(gè)場(chǎng)景模型優(yōu)化后，速度較SwinTransformer的模型快30倍以上，精度較MobileNetV3_small_0.35x高18個(gè)點(diǎn)。

SSLD預(yù)訓(xùn)練權(quán)重

SSLD半監(jiān)督蒸餾算法可以使小模型學(xué)習(xí)到大模型的特征和ImageNet22k無(wú)標(biāo)簽大規(guī)模數(shù)據(jù)的知識(shí)。在訓(xùn)練小模型時(shí)，使用SSLD預(yù)訓(xùn)練權(quán)重作為模型的初始化參數(shù)，可以使不同場(chǎng)景的應(yīng)用分類(lèi)模型獲得1-2.5個(gè)點(diǎn)的精度提升。

數(shù)據(jù)增強(qiáng)策略集成

該方案融合了圖像變換、圖像裁剪和圖像混疊3種數(shù)據(jù)增強(qiáng)方法，并支持自定義調(diào)整觸發(fā)概率，能使模型的泛化能力大大增強(qiáng)，提升模型在實(shí)際場(chǎng)景中的性能。模型可以在上一步的基礎(chǔ)上，精度再提升1個(gè)點(diǎn)左右。

SKL-UGI知識(shí)蒸餾算法

SKL(symmetric-KL)在經(jīng)典的KL知識(shí)蒸餾算法的基礎(chǔ)上引入對(duì)稱信息，提升了算法的魯棒性。同時(shí)，該方案可以方便的在訓(xùn)練中加入無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)（Unlabeled General Image），可以進(jìn)一步提升模型效果。該算法可以使模型精度繼續(xù)提升1-2個(gè)點(diǎn)。