简体中文 | English

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

• 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%。

• 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。

PP-ShiTu图像识别快速体验：点击这里

• 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
  • 主体检测
  • 特征提取
  • 向量检索
• 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
  • 图像分类任务
  • 图像识别任务
  • 训练参数调整策略
  • 配置文件说明
• 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
  • 数据增广
  • 模型量化
  • 知识蒸馏
  • PaddleClas结构解析
  • 社区贡献指南
• FAQ
  • 图像识别精选问题
  • 图像分类精选问题
  • 图像分类FAQ第一季
  • 图像分类FAQ第二季
• 许可证书
• 贡献代码

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。

• 瓶装饮料识别

• 商品识别

• 动漫人物识别

• logo识别

• 车辆识别

本项目的发布受Apache 2.0 license许可认证。

我们非常欢迎你为PaddleClas贡献代码，也十分感谢你的反馈。 如果想为PaddleCLas贡献代码，可以参考贡献指南。

• 非常感谢nblib修正了PaddleClas中RandErasing的数据增广配置文件。
• 非常感谢chenpy228修正了PaddleClas文档中的部分错别字。
• 非常感谢jm12138为PaddleClas添加ViT，DeiT系列模型和RepVGG系列模型。