PaddleClas全流程文档合集

PaddleClas全流程文档合集

项目链接：PaddleClas全流程文档合集

PaddleClas简介：

飞桨图像分类套件PaddleClas是飞桨为工业界和学术界所准备的一个图像分类任务的工具集，助力使用者训练出更好的视觉模型和应用落地。

PaddleClas特性

• 丰富的模型库：基于ImageNet1k分类数据集，PaddleClas提供了29个系列的分类网络结构和训练配置，133个预训练模型和性能评估。

• SSLD知识蒸馏：基于该方案蒸馏模型的识别准确率普遍提升3%以上。

• 数据增广：支持AutoAugment、Cutout、Cutmix等8种数据增广算法详细介绍、代码复现和在统一实验环境下的效果评估。

• 10万类图像分类预训练模型：百度自研并开源了基于10万类数据集训练的 ResNet50_vd 模型，在一些实际场景中，使用该预训练模型的识别准确率最多可以提升30%。

• 多种训练方案，包括多机训练、混合精度训练等。

• 多种预测推理、部署方案，包括TensorRT预测、Paddle-Lite预测、模型服务化部署、模型量化、Paddle Hub等。

• 可运行于Linux、Windows、MacOS等多种系统。

模型库概览图

基于ImageNet1k分类数据集，PaddleClas支持29种系列分类网络结构以及对应的133个图像分类预训练模型，训练技巧、每个系列网络结构的简单介绍和性能评估将在相应章节展现，下面所有的速度指标评估环境如下：

• CPU的评估环境基于骁龙855（SD855）。
• GPU评估环境基于T4机器，在FP32+TensorRT配置下运行500次测得（去除前10次的warmup时间）。

常见服务器端模型的精度指标与其预测耗时的变化曲线如下图所示。

常见移动端模型的精度指标与其预测耗时、模型存储大小的变化曲线如下图所示。

模型下载或更多内容请查看PaddleClas-GitHub

该合集主要为Windwos环境下PaddleClas套件的全流程使用文档

文档内容主要包括：环境搭建安装，自定义分类数据集，训练，预测，Serving服务部署，Python/C#部署等

 

文档链接如下：

1. 深度学习环境搭建： Windows-paddle-深度学习环境搭建

项目简介：Windows-环境搭建：CUDA,cuDNN,paddlepaddle-gpu，anaconda，pycharm环境的配置安装

 

2. PaddleClas全流程文档一（如何使用PaddleClas等）：Windows：如何使用PaddleClas做一个完整的项目(一）

项目简介：PaddleClas安装，自定义分类数据集，训练，预测模型转换，预测/训练模型推理等，

 

3. PaddleClas全流程文档二（基于Hub Serving的服务部署）：Windows：PaddleClas基于Hub Serving的服务部署（二）

项目简介：主要展示如何利用Hub部署serving服务用于预测

 

4. PaddleClas全流程文档三（C++编译exe/dll）：Windows：PaddleClas 预测部署（三）

项目简介：C++预测编译，如何使用cmake生成sln解决方案，编译出exe预测程序文件，以及dll库，用于python和C#调用预测

 

5. PaddleClas全流程文档四（python/C#调用dll部署（传值））：Windows: PaddleClas 预测部署（四）

项目简介：介于上篇文章三，主要详细介绍PaddleClas的 Python C# dll预测部署（与上篇不同在于，这里模型和预测分开调用，缩短预测时间，并且）

本人小学渣，若文档有不足之处请见谅~

若有疑问或者错误的地方欢迎大佬在评论区提出，更多内容请查看PaddleClas-Github