Русский язык | English

PaddleClas

Введение

PaddleClas — это набор инструментов для классификации изображений и распознавания изображений для промышленности и академических исследований, помогающий пользователям обучать лучшие модели компьютерного зрения и применять их в реальных сценариях.

PP-ShiTuV2	PULC: Практические сверхлёгкие решения для классификации изображений

Последние обновления

• Выпуск PP-ShiTuV2, recall1 улучшен почти на 8 пунктов, охватывает более 20 сценариев распознавания, с инструментом управления индексами (index management tool) и демонстрационной версией для Android (Android Demo) для улучшения опыта использования.
• 2022.6.15 Выпуск Практические сверхлёгкие решения для классификации изображений. Модели PULC выполняются менее чем за 3 миллисекунды на устройствах с процессором CPU, при этом точность сравнима с моделью SwinTransformer. Мы также выпускаем 9 практических моделей классификации, охватывающих пешеходов, автомобили и OCR-сценарий.
• 2022.4.21 Добавлены связанные коды статьи CVPR2022 MixFormer.
• 2021.09.17 Добавлены модели серии PP-LCNet, разработанные командой PaddleClas, эти модели показывают высокую конкурентоспособность на процессорах Intel CPU. Для получения информации о PP-LCNet обратитесь к статье или введению в модель PP-LCNet. Метрики и предобученные модели доступны здесь.
• 2021.06.29 Добавлены модели серии Swin-transformer, самая высокая точность на ImageNet1k составляет 87.2%. Поддерживается обучение, проверка и вывод. Предобученные модели можно скачать здесь.
• 2021.06.16 Версия PaddleClas 2.2. Добавлены модули обучения метрикам и поиска векторов. Добавлены модели распознавания товаров, анимационных персонажей, автомобилей и логотипов. Добавлено 30 предобученных моделей LeViT, Twins, TNT, DLA, HarDNet и RedNet, точность которых примерно такая же, как в статьях.
• ещё

Основные возможности

PaddleClas выпустила алгоритмы PP-HGNet, PP-LCNetv2, PP-LCNet и Simple Semi-supervised Label Distillation, а также поддерживает множество алгоритмов классификации изображений и распознавания изображений. На основе этих алгоритмов PaddleClas выпустила систему распознавания изображений PP-ShiTu и Практические сверхлёгкие решения для классификации изображений.

Присоединяйтесь к группе технического обмена

• Также можете использовать QR-код ниже, чтобы присоединиться к группе PaddleClas на QQ и WeChat (добавьте и ответьте "C"), чтобы получить более эффективные ответы на ваши вопросы и общаться с разработчиками из различных областей. Мы ждём вашего сообщения.

Быстрый старт

Быстрое знакомство с системой распознавания изображений PP-ShiTu: Ссылка

Быстрое знакомство с Практическими сверхлёгкими решениями для классификации изображений: Ссылка

Уроки

• Установка Paddle
• Установка окружения PaddleClas
• Введение в систему распознавания изображений PP-ShiTuV2
  • Быстрый старт распознавания изображений
  • Более 20 сценариев применения
  • Введение в подмодули и обучение моделей
    • Обнаружение главного объекта
    • Извлечение признаков
    • Поиск векторов
    • Хэширование
  • Инференс и развертывание Pipeline
    • Инференс Python
    • Инференс C++
    • Развертывание Serving
    • Развертывание Lite
    • Инструмент управления галереями Shitu
• Введение в практические сверхлёгкие решения для классификации изображений
  • Быстрый старт PULC
  • Зоопарк моделей PULC
    • Модель классификации наличия человека или отсутствия
    • Модель распознавания атрибутов человека
    • Модель классификации наличия шлема безопасности
    • Модель классификации дорожных знаков
    • Модель распознавания атрибутов автомобиля
    • Модель классификации наличия автомобиля
    • Модель классификации ориентации текстового изображения
    • Модель классификации ориентации строки текста
    • Модель классификации языка
• Серия моделей PP
  • PP-HGNet
  • PP-LCNet
  • PP-LCNetv2
• Введение в системы распознавания изображений
• Демонстрационные изображения распознавания
• Демонстрационные изображения PULC
• Введение в алгоритмы
  • Основные сети и библиотека предобученных моделей
  • Обнаружение главного объекта
  • Обучение признаков
  • Поиск векторов
• Инференс предобученной модели
  • Инференс Python
  • Классификация C++
• Развертывание модели (только для классификации на данный момент, распознавание скоро будет добавлено)
  • Развертывание Hub Serving
  • Мобильное развертывание
  • Инференс с помощью whl
• Расширенные уроки
  • Передача знаний
  • Квантификация модели
  • Увеличение данных
• Лицензия
• Вклад

Введение в практические сверхлёгкие решения для классификации изображений

Решения PULC состоят из сверхлёгкой основной сети PP-LCNet, предобученных моделей SSLD, ансамбля стратегий увеличения данных и передачи знаний SKL-UGI. Модели PULC выполняются менее чем за 3 миллисекунды на устройствах с процессором CPU, при этом точность сравнима с моделью SwinTransformer. Мы также выпускаем 9 практических моделей, охватывающих пешеходов, автомобили и OCR.

Введение в системы распознавания изображений

PP-ShiTuV2 — это практичная сверхлёгкая система распознавания изображений, которая состоит из трёх модулей: модуль обнаружения главного объекта, модуль извлечения признаков и инструмент поиска векторов. Система использует различные стратегии, такие как основные сети, функции потерь, увеличение данных, оптимальные гиперпараметры, предобученные модели, обрезку и квантификацию моделей. По сравнению с версией V1, recall1 улучшен почти на 8 пунктов. Для получения подробностей обратитесь к введению в PP-ShiTuV2. Для нового неизвестного класса нет необходимости заново обучать модель; достаточно подготовить изображения нового класса, извлечь признаки и обновить базу данных поиска, чтобы распознать категорию.

Демонстрационные изображения PP-ShiTuV2

• Распознавание напитков

• Распознавание товаров

• Распознавание анимационных персонажей

• Распознавание логотипов

• Распознавание автомобилей

Демонстрационные изображения PULC

Лицензия

PaddleClas распространяется под лицензией Apache 2.0 Apache 2.0 license

Вклад

Вклады очень приветствуются, мы будем очень благодарны за ваш отзыв!!

• Спасибо nblib за исправление ошибки RandErasing.
• Спасибо chenpy228 за исправление некоторых опечаток в PaddleClas.
• Спасибо jm12138 за добавление моделей ViT, DeiT и RepVGG в PaddleClas.
• Спасибо FutureSI за парсинг и суммаризацию кода PaddleClas.