2020年12月21日百度成本平台，年尾专业的百度人工智能媒体和财富处事平台，机械之心Pro发文注解百度视觉算法PaddleClas单方面晋级，宣布针对此次晋级算的视觉算法上超强的图象分类库，更精准、最强更丰富 
。基石晋级百度图片已优化的全新特别很是好了，我们可以找到更多更丰富的年尾图片
，我们找素材的百度时辰更好用了 ，我们做为用户尽大年夜大年夜约多往独霸多样化关头词搜刮 ，宣布培养PaddleClas更壮除夜。视觉算法

百度 PaddlePaddle 团队斥地的最强 PaddleClas 是一个合用于业界和学界的图象分类义务对象集，可以辅佐用户操练更好的基石晋级筹算机视觉模型并独霸于真实场景中 。近期 PaddleClas 迎来了单方面晋级 ，全新个中供给了更高精度的年尾常识蒸馏模型
、更丰富的模型品种和更佳的斥地体验，从而使得斥地者更便外埠在处事器端或挪动端、IoT 端举办放置 。

图象分类义务作为深度进修视觉局限的「基石」 ，几近是每位视觉标的方针斥地者最早要进修的基本身手 。尽人皆知，图象分类已普及独霸在机警零售、机警交通、机警医疗、机警安防等等各行各业。不单如斯，图象方针检测、图象豆割 、图象检索
 、OCR 、人脸辨认等高阶视觉义务也常将图象分类群集作为骨干群集。图象分类的群集筹划和预操练模型则无疑是智能视觉技能的安靖地基和健旺骨架，它的功用直接影响高阶视觉义务的终局。

图象分类义务如斯次要，但好的分类群集却没有那么随便被操练出来。斥地者经常要面对像方针遮挡 、标准改削
、变形 、布景乐音过除夜、光照视角多变 
、方针姿式多变等问题
。为体味决这些艰苦，大年夜师一样往常需求从数据增广、骨干群集筹划 、丧损掉落踪落定义、优化器筹划、模型膨胀裁剪量化 、模型可诠释性
、特点迁徙进修等不合的角度对图象分类问题举办深切试探 。听起来是不是是就头除夜？

莫慌！PaddleClas 就是一个超强的图象分类义务的对象集，助力斥地者操练出更好的视觉模型并疾速独霸落地。PaddleClas 近期也完成了全新的晋级  ，本次晋级此后，PaddleClas 可算成了地表超强开源图象分类库（不好说『最』，怕被请喝茶）
。那这个称呼是从何处来的呢？让我们用理论言语，看看 PaddleClas 晋级后幻想下场有多壮除夜
！

更高精度的模型 ：基于百度自研的常识蒸馏筹划（SSLD） ，PaddleClas 开源了 14 个 SSLD 分类预操练模型，精度普及汲引 3% 以上；个中 ResNet50_vd 模型在 ImageNet-1k 数据集上的 Top-1 精度抵达了 84.0%，Res2Net200_vd 预操练模型 Top-1 精度高达 85.1% 。同时也优化出更多业界 SOTA 模型
，并支撑图象检测
、豆割和 OCR 等高阶视觉义务单方面汲引模型终局；更丰富的模型品种：本次晋级新增 4 个系列模型（InceptionV3
、GhostNet、ResNeSt 和 RegNet），至此 PaddleClas 总共包含 29 个系列的分类群集和 134 个预操练模型；斥地体验进一步晋级 ：单方面支撑静态图，使你的算法构建
、操练和评价调试更轻松。并进一步打通全流程放置，非论是在挪动端、IoT 端仍是在处事器端举办放置 ，都可以在这里找到最好的放置筹划；数十种图象分类算法斥地的 Trick 和对象 ！深切邃晓斥地者算法斥地过程中的难点 ，手把手教你汲引算法功用 ！已火烧眉毛要往看项目代码了嘛 ？传送门送你一程：

https://github.com/paddlepaddle/PaddleClas

感应感染不错的小火伴可以点起 Star 支撑一下~

在深切研究 PaddleClas 此后呢
，本文也给大年夜师分析一下 PaddleClas 本次晋级的概略 。

更多高精度的常识蒸馏模型

PaddleClas 中供给了 SSLD 常识蒸馏筹划，在无需更多有标签图象的前提下，可以在不换模型的根本除夜将分类模型的精度汲引 3% 以上。在此次单方面晋级过程中，PaddleClas 进一步供给了基于 ResNet_vd 、HRNet、Res2Net_vd、MobileNetV3 、GhostNet 等骨干群集蒸馏掉落踪掉落踪的 SSLD 预操练模型，不单可以用于迁徙操练、预操练权重参数；也可以用于检测、豆割等下流弃觉使射中 ，进一步汲引下流弃觉义务的精度方针。

就让我们看图言语
：上面两张图给出了 PaddleClas 在处事器端和端侧（挪动端  、IoT 端）开源的 SSLD 蒸馏预操练模型的精度汲引比照气候：

可以看出，非论是处事器端仍是挪动端或 IoT 端 ，经由 SSLD 常识蒸馏此后的模型精度均汲引了 3%放置
。并且模型越除夜，精度汲引越较着 。出格地，基于该蒸馏筹划，PaddleClas 将 ResNet50_vd 的 Top-1 精度汲引到 83.0%；进一步地，基于 Fix 计策，调除夜操练标准 (224 -> 320)
，ResNet50_vd 的 Top-1 精度可以抵达 84.0% 。

此外，基于 SSLD 蒸馏预操练模型，在方针检测使射中
，模型精度汲引也特别很是较着，具体以下表所示
：

在图象豆割使射中， 基于 CityScapes 数据集的精度收益以下表所示 ：

在文字检测使射中（OCR） ，基于 DBNet 的精度收益以下 ：

在尽除夜除夜都场景中 ，不须要任何出格的操练或料想成本，仅独霸 SSLD 常识蒸馏预操练模型，便可以轻松汲引模型精度。更多 SSLD 的事理和功用，可以到这里搜检概略：https://github.com/PaddlePaddle/PaddleClas/blob/release/2.0-rc1/docs/zh_CN/advanced_tutorials/distillation/distillation.md

更丰富的模型品种

如我们在开首所述， PaddleClas 在此次晋级中 ，进一步丰富了模型库，新增 4 个系列模型（InceptionV3、GhostNet、ResNeSt、RegNet）。如今总共包含 29个系列的分类群集和 134 个预操练模型 ，包含 ResNet、ResNet_vd 、Res2Net 、ResNeXt 、HRNet、ResNeSt 、MobileNetV1/2/3 、GhostNet 等，涵盖了从处事器端到挪动端的各类独霸处景，这也是如今品种最丰富的图象分类代码仓库。

InceptionV3 是 Google 对 InceptionV2 的一种改进。起首 ，InceptionV3 筹划和独霸了更多品种的 Inception 模块，部分 Inception 模块将较除夜的方形二维卷积拆成两个较小的非对称卷积，从而除夜幅度俭仆参数量；GhostNet 是华为于 2020 年提出的一种全新的轻量化群集筹划。经由过程引进 Ghost module，除夜除夜减缓了传统深度汇集结特点的冗余筹算问题 
，使得群集的参数量和筹算劲除夜除夜降低；ResNeSt 系列模型是 2020 年提出的 。在本来的 ResNet 群集筹划上做了改进，经由过程引进 K 个 Group 和在不合 Group 中介入近似于 SEBlock 的 attention 模块，使得精度比照于根本模型 ResNet 有了除夜幅度的汲引，且参数量和 flops 与根本的 ResNet 根本贯穿连接齐截RegNet 是由 Facebook 于 2020 年提出 。经由过程介入共享瓶颈 ratio 、共享组宽度、调剂群集深度与宽度等计策，幻想下场完成简化筹划空间筹划 、进步筹划空间的可诠释性、改进筹划空间的质量，并贯穿连接筹划空间的模型多样性的方针。上面也分袂给出了处事端模型和端侧模型在 T4 GPU 和骁龙 855 芯片上的料想耗时与精度曲线，大年夜师可以屈就本身的料想耗时或精度请求，选择契合的分类群集。

更好的易用性

单方面支撑静态图

静态筹算指的是法度圭表类型在编译奉行时起首生成神经群集筹划 ，然后再奉行照顾独霸 
。经由过程这类先定义后运转的编制，再次运转的时辰就不再需求从头构建筹算图，是以在速度方面会更快一些
。静态筹算指的是法度圭表类型屈就编写呼唤的按序举办奉行 ，这会除夜除夜降低调试的难度 。在此次晋级中，PaddleClas 在操练过程中为静态图编制，在料想放置时为静态图编制，从而担保了操练过程中的易用性和模型料想过程中的屈就  。

多琐细、多硬件、多端放置单方面支撑

PaddleClas 如今支撑包含 GPU/CPU/XPU、Windows/Linux/MacOS 等多种操练平台。对操练掉落踪掉落踪的模型 ，PaddleClas 供给基于处事器端（Paddle Inference）和 挪动端、IoT 端（Paddle Lite），和轻量化处事端（Hub Serving）的高功用放置编制，同时支撑Python 料想与 C++ 料想，知足除夜除夜都斥地者的独霸需求。

更丰富的教程文档及调优Trick

《PaddleClas 的图象分类操练
、评价 、料想最早教程》 ：https://github.com/PaddlePaddle/PaddleClas/blob/dygraph/docs/zh_CN/tutorials/getting_started.md开源社区小火伴总结的《基于 PaddleClas 完成财富级图象分类项目》基于 Paddle Lite 在手机 、机械人终端等举办模型优化与交错编译的筹划《PaddleClas 端侧放置教程》：https://github.com/PaddlePaddle/PaddleClas/blob/dygraph/deploy/lite/readme.md针对斥地者在斥地过程中碰着的理论艰苦总结出的《图象分类 30 问》https://github.com/PaddlePaddle/PaddleClas/blob/dygraph/docs/zh_CN/faq.md另有《PaddleClas 每周 FAQ》https://github.com/PaddlePaddle/PaddleClas/blob/dygraph/docs/zh_CN/faq_series.md 等等低价值内容此外，思虑到图象分类局限内容丰富，更新频繁，PaddleClas 官方团队筹算尽大年夜大年夜约高频地延续更新图象分类局限的 Tricks
、FAQ 等外容给到大年夜师 ，力争全方位让斥地者非论是举办学术科研以仍是财富算法独霸过程中都愈加顺畅。

多么有如和璧隋珠一样的开源项目，多么专心用功的技能团队 ，你还不心动要考验考验独霸下 PaddleClas 吗 ？赶忙前去 PaddleClas 开源地址搜检项目概略吧！也迎接各位小火伴点星（Star） 、Fork、Watch
，利便几回研究搜检~~

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

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