人脸、车辆、人体属性、卡证、交通标识等经典图像识别能力，在我们当前数字化工作及生活中发挥着极其重要的作用。业内也不乏顶尖公司提供的可直接调用的API、SDK，但这些往往面临着定制化场景泛化效果不好、价格昂贵、黑盒可控性低、技术壁垒难以形成多诸多痛点。

而今天要给大家推荐的是一个完全开源免费的、覆盖人、车、OCR等9大经典识别场景、在CPU上可3毫秒实现急速识别、一行代码就可实现迭代训练的项目！

图1PaddleClas图像分类应用示意图

话不多说，赶紧送上传送门，识货的小伙伴赶紧尝试一下吧！

https://github.com/PaddlePaddle/PaddleClas

记得Star收藏防止走丢哦！

当然，小编不是只管吆喝的，下面就来详细拆解下这个项目的过人之处吧！

图2 9大场景模型效果示意图

亮点一：完美平衡精度与速度

从大名鼎鼎的Resnet50到如今火热的Swin-Transformer，模型精度不断被刷新，但是预测效率并不高。即使是Swin-Transformer最小的模型，在CPU上的预测速度也超过100ms，远远无法满足产业实时预测的需求。

而使用MobileNet系列等轻量化模型可以保证较高的预测效率，在CPU上预测一张图像大约3ms，但是模型精度往往和大模型有很大差距。

而PaddleClas推出的超轻量图像分类方案（Practical Ultra Light Classification，简称PULC），就完美解决上述产业落地中算法精度和速度难以平衡的痛点。

表1 不同模型精度速度结果对比

如图所示，它的精度与Swin-Transformer等大模型比肩，预测速度却可以快30倍以上，在CPU上的推理时长仅需2ms！

亮点二：易用性极强

PULC方案不仅完美的平衡了精度与速度，还充分考虑了产业实践过程中需要定制化的对算法快速迭代的需求，只需一行命令，就可完成模型训练。

与此同时，PaddleClas 团队还发布了包括人、车、OCR在内的9大场景模型，仅需2步就能实现业务POC 效果验证，训练、推理、部署一条龙，真正实现“开箱即用”。

不仅如此，项目还匹配了详细的中文使用文档及产业实践范例教程。

图3使用文档及范例示意图

亮点三：集成超多硬核技术

超轻量图像分类方案（PULC）集成了业界4大业界领先的优化策略：

图4超轻量图像分类方案（PULC）示意图

PP-LCNet轻量级骨干网络

PP-LCNet作为针对CPU量身打造的骨干网络模型，在速度、精度方面均远超如MobileNetV3等同体量算法，多个场景模型优化后，速度较SwinTransformer的模型快30倍以上，精度较MobileNetV3_small_0.35x高18个点。

SSLD预训练权重

SSLD半监督蒸馏算法可以使小模型学习到大模型的特征和ImageNet22k无标签大规模数据的知识。在训练小模型时，使用SSLD预训练权重作为模型的初始化参数，可以使不同场景的应用分类模型获得1-2.5个点的精度提升。

数据增强策略集成

该方案融合了图像变换、图像裁剪和图像混叠3种数据增强方法，并支持自定义调整触发概率，能使模型的泛化能力大大增强，提升模型在实际场景中的性能。模型可以在上一步的基础上，精度再提升1个点左右。

SKL-UGI知识蒸馏算法

SKL(symmetric-KL)在经典的KL知识蒸馏算法的基础上引入对称信息，提升了算法的鲁棒性。同时，该方案可以方便的在训练中加入无标签训练数据（Unlabeled General Image），可以进一步提升模型效果。该算法可以使模型精度继续提升1-2个点。