机器之心编辑部百度团队开发的图像分类任务工具集

机器之心发布

机器之心编辑部

百度 团队开发的 是一个适用于业界和学界的图像分类任务工具集，可以帮助用户训练更好的计算机视觉模型并应用于真实场景中。近期 迎来了全面升级，其中提供了更高精度的知识蒸馏模型、更丰富的模型种类以及更佳的开发体验，从而使得开发者更方便地在服务器端或者移动端、IoT 端进行部署。

图像分类任务作为深度学习视觉领域的「基石」，几乎是每一位视觉方向开发者最先要学习的基础本领。众所周知，图像分类已广泛应用在智慧零售、智慧交通、智慧医疗、智慧安防等等各行各业。不仅如此，图像目标检测、图像分割、图像检索、OCR、人脸识别等高阶视觉任务也常将图像分类网络作为骨干网络。图像分类的网络结构和预训练模型则无疑是智能视觉技术的稳固地基和强壮骨架，它的性能直接影响高阶视觉任务的效果。

图像分类任务如此重要，但好的分类网络却没有那么容易被训练出来。开发者往往要面临像目标遮挡、尺度变化、变形、背景噪音过大、光照视角多变、目标姿态多变等问题。为了解决这些困难，大家一般需要从数据增广、骨干网络设计、损失定义、优化器设计、模型压缩裁剪量化、模型可解释性、特征迁移学习等不同的角度对图像分类问题进行深入探索。听起来是不是就头大？

莫慌！ 就是一个超强的图像分类任务的工具集，助力开发者训练出更好的视觉模型并快速应用落地。 近期也完成了全新的升级，本次升级之后， 可算成为了地表超强开源图像分类库（不好说『最』，怕被请喝茶）。那这个称号是从哪里来的呢？让我们用事实说话，看看 升级后到底有多强大！

更高精度的模型：基于百度自研的知识蒸馏方案（SSLD）， 开源了 14 个 SSLD 分类预训练模型，精度普遍提升 3% 以上；其中 模型在 -1k 数据集上的 Top-1 精度达到了 84.0%， 预训练模型 Top-1 精度高达 85.1%。同时也优化出更多业界 SOTA 模型，并支持图像检测、分割以及 OCR 等高阶视觉任务全面提升模型效果；更丰富的模型种类：本次升级新增 4 个系列模型（、、 和 ），至此 总共包含 29 个系列的分类网络以及 134 个预训练模型；开发体验进一步升级：全面支持动态图，使你的算法构建、训练以及评估调试更轻松。并进一步打通全流程部署，无论是在移动端、IoT 端还是在服务器端进行部署，都可以在这里找到最佳的部署方案；数十种图像分类算法开发的 Trick 和工具！深入理解开发者算法开发过程中的难点，手把手教你提升算法性能！

已经迫不及待要去看项目代码了嘛？传送门送你一程：

觉得不错的小伙伴可以点起 Star 支持一下~

在深入研究 之后呢，本文也给大家解析一下 本次升级的详情。

更多高精度的知识蒸馏模型

中提供了 SSLD 知识蒸馏方案，在无需更多有标签图像的条件下，可以在不换模型的基础上将分类模型的精度提升 3% 以上。在此次全面升级过程中， 进一步提供了基于 、HRNet、、、 等骨干网络蒸馏得到的 SSLD 预训练模型，不仅可以用于迁移训练、预训练权重参数；也可以用于检测、分割等下游视觉任务中，进一步提升下游视觉任务的精度指标。

就让我们看图说话：下面两张图给出了 在服务器端和端侧（移动端、IoT 端）开源的 SSLD 蒸馏预训练模型的精度提升对比情况：

可以看出，无论是服务器端还是移动端或 IoT 端，经过 SSLD 知识蒸馏之后的模型精度均提升了 3% 左右。而且模型越大，精度提升越明显。特别地，基于该蒸馏方案， 将 的 Top-1 精度提升到 83.0%；进一步地，基于 Fix 策略，调大训练尺度 (224 -> 320)机器之心编辑部百度团队开发的图像分类任务工具集， 的 Top-1 精度可以到达 84.0%。

此外，基于 SSLD 蒸馏预训练模型，在目标检测任务中梅花易数算法教程，模型精度提升也非常明显，具体如下表所示：

在图像分割任务中， 基于 数据集的精度收益如下表所示：

在文字检测任务中（OCR），基于 DBNet 的精度收益如下：

在绝大多数场景中，不需要任何额外的训练或者预测成本，仅使用 SSLD 知识蒸馏预训练模型，便可以轻松提升模型精度。更多 SSLD 的原理和性能，可以到这里查看详情：

更丰富的模型种类

如我们在开头所述， 在此次升级中，进一步丰富了模型库，新增 4 个系列模型（、、、）。目前总共包含 29 个系列的分类网络以及 134 个预训练模型，包括 、、、 、HRNet、、/2/3、 等，涵盖了从服务器端到移动端的各类使用场景梅花易数算法教程，这也是目前种类最丰富的图像分类代码仓库。

下面也分别给出了服务端模型和端侧模型在 T4 GPU 和骁龙 855 芯片上的预测耗时与精度曲线，大家可以根据自己的预测耗时或者精度要求，选择合适的分类网络。

更好的易用性

全面支持动态图

静态计算指的是程序在编译执行时首先生成神经网络结构，然后再执行相应操作。通过这种先定义后运行的方式，再次运行的时候就不再需要重新构建计算图，因此在速度方面会更快一些。动态计算指的是程序按照编写命令的顺序进行执行，这会大大降低调试的难度。在此次升级中， 在训练过程中为动态图模式，在预测部署时为静态图模式，从而保证了训练过程中的易用性以及模型预测过程中的效率。

多系统、多硬件、多端部署全面支持

现在支持包括 GPU/CPU/XPU、/Linux/MacOS 等多种训练平台。对于训练得到的模型梅花易数算法教程， 提供基于服务器端（ ）和 移动端、IoT 端（ Lite），以及轻量化服务端（Hub ）的高性能部署方法，同时支持 预测与 C++ 预测，满足大多数开发者的使用需求。

更丰富的教程文档及调优Trick

此外，考虑到图像分类领域内容丰富，更新频繁， 官方团队计划尽可能高频地持续更新图像分类领域的 、FAQ 等内容给到大家，力争全方位让开发者无论是进行学术科研以还是产业算法应用过程中都更加顺畅。

这样有如和璧隋珠一样的开源项目，这样用心勤奋的技术团队，你还不心动要尝试使用下 吗？赶紧前往 开源地址查看项目详情吧！也欢迎各位小伙伴点星（Star）、Fork、Watch，方便反复研究查看~~

如果您希望获得更深入的技术支持机器之心编辑部百度团队开发的图像分类任务工具集，或者与大批志同道合的深度学习领域的小伙伴一起交流，欢迎加入 官方微信交流群，或者 群（）

上一篇：LINGO自动生成优化模型下载地址及应用程序

下一篇：六爻和梅花易数那个容易?学六爻需要逻辑思维