简体中文 | English
飞桨图像识别套件PaddleClas是飞桨为工业界和学术界所准备的一个图像识别和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。
| PP-ShiTuV2图像识别系统效果展示 | PULC实用图像分类模型效果展示 |
|---|---|
 |
 |
-
🔥2024.9.30 发布PaddleCls release/2.6:
- 增加图像分类算法MobileNetV4、StarNet、FasterNet（链接到图像分类模块）
- 发布PaddleOCR低代码全流程开发范式：
- 🎨 模型丰富一键调用：将通用图像分类、图像多标签分类、通用图像识别、人脸识别涉及的98个模型整合为4条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持目标检测、图像分割、文本图像智能分析、通用OCR、时序预测等共计200+模型，形成20+单功能模块，方便开发者进行模型组合使用。
- 🚀提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能部署、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。
-
2022.9.13 发布超轻量图像识别系统PP-ShiTuV2：
- recall1精度提升8个点，覆盖商品识别、垃圾分类、航拍场景等20+识别场景，
- 新增库管理工具，Android Demo全新体验。
-
2022.9.4 新增生鲜产品自主结算范例库，具体内容可以在AI Studio上体验。
-
2022.6.15 发布PULC超轻量图像分类实用方案，CPU推理3ms，精度比肩SwinTransformer，覆盖人、车、OCR场景九大常见任务。
-
2022.5.23 新增人员出入管理范例库，具体内容可以在 AI Studio 上体验。
-
2022.5.20 上线PP-HGNet, PP-LCNetv2。
PaddleClas支持多种前沿图像分类、识别相关算法，发布产业级特色骨干网络PP-HGNet、PP-LCNetv2、 PP-LCNet和SSLD半监督知识蒸馏方案等模型，在此基础上打造PULC超轻量图像分类方案和PP-ShiTu图像识别系统。
上述内容的使用方法建议从文档教程中的快速开始体验
- 一键调用92个PaddleClas核心模型
- PULC超轻量图像分类方案快速体验：点击这里
- PP-ShiTu图像识别快速体验：点击这里
- PP-ShiTuV2 Android Demo APP，可扫描如下二维码，下载体验
🔥 低代码全流程开发
| 模型简介 | 应用场景 | 模型下载链接 |
|---|---|---|
| PULC 超轻量图像分类方案 | 固定图像类别分类方案 | 人体、车辆、文字相关9大模型：模型库连接 |
| PP-ShituV2 轻量图像识别系统 | 针对场景数据类别频繁变动、类别数据多 | 主体检测模型：预训练模型 / 推理模型 识别模型：预训练模型 / 推理模型 |
| PP-LCNet 轻量骨干网络 | 针对Intel CPU设备及MKLDNN加速库定制 | PPLCNet_x1_0：预训练模型 / 推理模型 |
| PP-LCNetV2 轻量骨干网络 | 针对Intel CPU设备，适配OpenVINO | PPLCNetV2_base：预训练模型 / 推理模型 |
| PP-HGNet 高精度骨干网络 | GPU设备上相同推理时间精度更高 | PPHGNet_small：预训练模型 / 推理模型 |
全部模型下载链接可查看 文档教程 中的各模型介绍
- 环境准备
- PP-ShiTuV2图像识别系统介绍
- PULC超轻量图像分类实用方案
- PP系列骨干网络模型
- SSLD半监督知识蒸馏方案
- 前沿算法
- 产业实用范例库
- 30分钟快速体验图像分类
- FAQ
- 社区贡献指南
- 许可证书
- 贡献代码
PP-ShiTuV2是一个实用的轻量级通用图像识别系统，主要由主体检测、特征学习和向量检索三个模块组成。该系统从骨干网络选择和调整、损失函数的选择、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型裁剪量化多个方面，采用多种策略，对各个模块的模型进行优化，PP-ShiTuV2相比V1，Recall1提升近8个点。更多细节请参考PP-ShiTuV2详细介绍。
- 瓶装饮料识别
- 商品识别
- 动漫人物识别
- logo识别
- 车辆识别
本项目的发布受Apache 2.0 license许可认证。
我们非常欢迎你为PaddleClas贡献代码，也十分感谢你的反馈。 如果想为PaddleCLas贡献代码，可以参考贡献指南。