圖像識別作為深度學習算法的主流實踐應用方向，早已在生活的各個領域發揮作用，如安全檢查和身份核驗時的人臉識別、無人貨架和智能零售柜中的商品識別，這些任務背后的關鍵技術都在于此。

圖1 PP-ShiTu應用于商品識別效果示意（開發者應用展示）

然而實現理想的識別效果并不是一件簡單的事：

• 針對海量數據問題而言，如何實現一個通用的方法在不同的數據集中都有很好的表征能力？

• 不同物體間的差別可能極其微小，即使是同種物體，也會受到外界干擾呈現不同形態，究竟如何進行有效區分？

• 識別需求更新頻繁，使用單一的分類或者檢測模型只能不斷增加訓練集重訓模型，怎樣才能降低開發成本，快速跟上迭代步伐？

PP-ShiTu核心技術解讀

針對以上技術難點，PaddleClas推出的通用圖像識別系統PP-ShiTu均可以完美解決，它不僅有高水平的特征學習能力，對新出現的類別也可以在不用重新訓練算法的情況下，直接通過配置檢索庫的方式實現識別。

? 項目鏈接 ?

https://github.com/PaddlePaddle/PaddleClas

PaddleClas所有源碼及教程均已開源，歡迎大家使用，并Star鼓勵~

這樣的特殊能力，得益于PP-ShiTu引入目標檢測、度量學習、圖像檢索等技術，并將每個模塊性能最大化，才構建成了統一、通用的圖像識別系統：

圖2 PP-ShiTu架構示意圖

• 主體檢測：不同于一般的目標檢測，主體檢測是將目標物體和背景區分開來，能夠有效減少干擾特征。PP-ShiTu中所采用的是目標檢測模型PP-PicoDet，不僅預測速度超快，精度上也達到了SOTA，為后續的準確識別打下堅實基礎；

圖3 PP-PicoDet在 COCO2017-val上的 mAP 對比

• 特征提取：作為圖像識別系統的重點工作，PP-ShiTu是采用CPU級輕量化骨干網絡PP-LCNet，并結合度量學習arcmargin算法，對高相似物體的區分效果遠超單一模型，不僅準確率超越大模型ResNet50，預測速度還能快3倍！再加上經過18w類數據集打磨的預訓練權重，不用再費心選擇，一個模型就可以實現多場景覆蓋。

圖4 訓練數據及部分測試數據示例

• 向量檢索：不同于單一模型直接輸出類別信息，對于未知類別只有模型重訓一個選擇，耗時又耗力。PP-ShiTu引入向量檢索，通過計算目標物體和檢索庫中圖像的相似度來輸出類別信息，一次訓練長期使用，高效又便捷。

圖5 端側新類別建立索引流程（開發者應用展示）

升級版PP-ShiTu歡迎使用

時隔數月，PaddleClas 新版本v2.3.1為大家帶來了更加輕量化的圖像識別系統PP-ShiTu。核心功能點如下：

• 升級版PP-ShiTu大小僅18M，完美支持移動端需求

• 支持基于C++的服務化部署，部署效率大幅提升

• 支持移動端Paddle Lite部署教程，手機上也能輕松實現圖像識別

圖6 手機識別效果展示（開發者應用展示）

PP-ShiTu的使用也是十分簡單、方便，在完成環境配置后只需三步即可完成快速體驗：

第一步：下載 Inference 模型

第二步：構建索引

第三步：完成單張/批量圖像識別

詳細文檔，請參考：

https://github.com/PaddlePaddle/PaddleClas/blob/release/2.3/docs/zh_CN/quick_start/quick_start_recognition.md

更有完整流程演示，可參考AI Studio項目：https://aistudio.baidu.com/aistudio/projectdetail/3445604

共建開源生態

自PP-ShiTu發布以來，引起了眾多開發者的廣泛關注。華東理工大學的高材生顏鑫，也是飛槳領航團的團長，帶領團隊基于PP-ShiTu開發了一套智能購物平臺系統：通過圖像即可精準識別顧客購買的商品，并返回完整的購物清單及應付價格，為智能貨柜提供了非常好的視覺化解決方案。

鏈接指路：

https://github.com/thomas-yanxin/Smart_container

圖7 智能結算平臺架構示意圖

與此同時，我們也力求為開源社區的繁榮作出貢獻，希望PP-ShiTu的算法本身以及優化思路，可以在給業界開發者帶來更好網絡的同時，也帶來更多的算法優化啟發，為中國的開源發展貢獻一份力量。

如果您想詳細了解更多飛槳的相關內容，請參閱以下文檔。

官網地址：

https://www.paddlepaddle.org.cn

PaddleClas項目地址：

GitHub:?

https://github.com/PaddlePaddle/PaddleClas/tree/develop

Gitee:?

https://gitee.com/paddlepaddle/PaddleClas

總結

以上是生活随笔為你收集整理的18M 超轻量系统开源的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。