蜜桃av色欲a片精品一区,麻豆aⅴ精品无码一区二区,亚洲人成网站在线播放影院在线,亚洲 素人 字幕 在线 最新

  3毫秒極速識(shí)別，一個(gè)4.1k Satr的開(kāi)源項(xiàng)目

發(fā)布日期：2022/7/19 10:58:07      瀏覽量：

人臉、車輛、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)壁壘難以形成等諸多痛點(diǎn)。

而今天小編要給大家推薦的是一個(gè)完全開(kāi)源免費(fèi)的、覆蓋人、車、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PaddleClas！

圖1 PaddleClas 圖像分類應(yīng)用示意圖

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

記得Star收藏防止走丟哦！

https://github.com/PaddlePaddle/PaddleClas

下面小編就來(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

1

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。

PaddleClas推出的超輕量圖像分類方案(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！

2

亮點(diǎn)二

易用性極強(qiáng)

PULC方案不僅完美地平衡了精度與速度，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、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

3

亮點(diǎn)三

集成超多硬核技術(shù)

超輕量圖像分類方案（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)，該方案可以方便地在訓(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)。

4

服務(wù)真實(shí)場(chǎng)景需求

20種產(chǎn)業(yè)算法落地方案

不僅如此，PaddleClas團(tuán)隊(duì)考慮到真實(shí)產(chǎn)業(yè)應(yīng)用面對(duì)的各種軟硬件環(huán)境和不同的場(chǎng)景需求，在提供PULC方案的同時(shí)，還提供了包括3種訓(xùn)練方式、5種訓(xùn)練環(huán)境、3種模型壓縮策略和9種推理部署方式在內(nèi)的20種產(chǎn)業(yè)算法落地方案：

表2 PaddleClas訓(xùn)練推理部署功能支持列表

其中值得高度關(guān)注的有：

01 分布式訓(xùn)練

飛槳分布式訓(xùn)練架構(gòu)具備4D混合并行、端到端自適應(yīng)分布式訓(xùn)練等多項(xiàng)特色技術(shù)。在PP-LCNet訓(xùn)練中，4機(jī)8卡相較于單機(jī)8卡加速比達(dá)到3.48倍，加速效率87%，精度無(wú)損。

02 模型壓縮

飛槳模型壓縮工具PaddleSlim功能完備，覆蓋模型裁剪、量化、蒸餾和NAS。圖像分類模型經(jīng)過(guò)量化裁剪后，移動(dòng)端平均預(yù)測(cè)耗時(shí)減少24%。

03 移動(dòng)端/邊緣端部署

飛槳輕量化推理引擎Paddle Lite適配了20+ AI 加速芯片，可以快速實(shí)現(xiàn)圖像分類模型在移動(dòng)設(shè)備、嵌入式設(shè)備和IOT設(shè)備等高效設(shè)備的部署。

以上所有模型、代碼均在PaddleClas中開(kāi)源提供，還有超詳細(xì)文檔教程和范例項(xiàng)目，趕緊查看全部開(kāi)源代碼并Star收藏吧~

鏈接指路

https://github.com/PaddlePaddle/PaddleClas

• 官網(wǎng)地址：

https://www.paddlepaddle.org.cn

• PaddleClas項(xiàng)目地址：

GitHub: https://github.com/PaddlePaddle/PaddleClas

Gitee: https://gitee.com/paddlepaddle/PaddleClas