3毫秒極速識別，一個4.1k Satr的開源項目
不點藍字關注，我們哪來故事？
人臉、車輛、人體屬性、卡證、交通標識等經(jīng)典圖像識別能力，在我們當前數(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景泛化效果不好、價格昂貴、黑盒可控性低、技術壁壘難以形成多諸多痛點。
話不多說，趕緊送上傳送門，識貨的小伙伴趕緊嘗試一下吧！
圖2 9大場景模型效果示意圖
1
亮點一
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，但是預測效率并不高。即使是Swin-Transformer最小的模型，在CPU上的預測速度也超過100ms，遠遠無法滿足產(chǎn)業(yè)實時預測的需求。
而使用MobileNet系列等輕量化模型可以保證較高的預測效率，在CPU上預測一張圖像大約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。
表1 不同模型精度速度結果對比
如圖所示，它的精度與Swin-Transformer等大模型比肩，預測速度卻可以快30倍以上，在CPU上的推理時長僅需2ms！
2
亮點二
易用性極強
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)實踐過程中需要定制化的對算法快速迭代的需求，只需一行命令，就可完成模型訓練。
與此同時，PaddleClas 團隊還發(fā)布了包括人、車、OCR在內(nèi)的9大場景模型，僅需2步就能實現(xiàn)業(yè)務 POC 效果驗證，訓練、推理、部署一條龍，真正實現(xiàn)“開箱即用”。
不僅如此，項目還匹配了詳細的中文使用文檔及產(chǎn)業(yè)實踐范例教程。
圖3 使用文檔及范例示意圖
3
亮點三
集成超多硬核技術
圖4 超輕量圖像分類方案（PULC）示意圖
PP-LCNet輕量級骨干網(wǎng)絡
PP-LCNet作為針對CPU量身打造的骨干網(wǎng)絡模型，在速度、精度方面均遠超如MobileNetV3等同體量算法，多個場景模型優(yōu)化后，速度較SwinTransformer的模型快30倍以上，精度較MobileNetV3_small_0.35x高18個點。
SSLD預訓練權重
SSLD半監(jiān)督蒸餾算法可以使小模型學習到大模型的特征和ImageNet22k無標簽大規(guī)模數(shù)據(jù)的知識。在訓練小模型時，使用SSLD預訓練權重作為模型的初始化參數(shù)，可以使不同場景的應用分類模型獲得1-2.5個點的精度提升。
數(shù)據(jù)增強策略集成
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，提升模型在實際場景中的性能。模型可以在上一步的基礎上，精度再提升1個點左右。
SKL-UGI知識蒸餾算法
4
服務真實場景需求
20種產(chǎn)業(yè)算法落地方案
不僅如此，PaddleClas團隊考慮到真實產(chǎn)業(yè)應用面對的各種軟硬件環(huán)境和不同的場景需求，在提供PULC方案的同時，還提供了包括3種訓練方式、5種訓練環(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訓練推理部署功能支持列表
其中值得高度關注的有：
01 分布式訓練
飛槳分布式訓練架構具備4D混合并行、端到端自適應分布式訓練等多項特色技術。在PP-LCNet訓練中，4機8卡相較于單機8卡加速比達到3.48倍，加速效率87%，精度無損。
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)過量化裁剪后，移動端平均預測耗時減少24%。
03 移動端/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，可以快速實現(xiàn)圖像分類模型在移動設備、嵌入式設備和IOT設備等高效設備的部署。
END
若覺得文章對你有幫助，隨手轉發(fā)分享，也是我們繼續(xù)更新的動力。
長按二維碼，掃掃關注哦
?「C語言中文網(wǎng)」官方公眾號，關注手機閱讀教程 ?