support image_orientation

deploy/python/postprocess.py

@@ -39,6 +39,29 @@ def build_postprocess(config):
     return PostProcesser(func_list, main_indicator)
 
 
+def parse_class_id_map(class_id_map_file, delimiter):
+    if class_id_map_file is None:
+        return None
+
+    if not os.path.exists(class_id_map_file):
+        print(
+            "Warning: If want to use your own label_dict, please input legal path!\nOtherwise label_names will be empty!"
+        )
+        return None
+
+    try:
+        class_id_map = {}
+        with open(class_id_map_file, "r") as fin:
+            lines = fin.readlines()
+            for line in lines:
+                partition = line.split("\n")[0].partition(delimiter)
+                class_id_map[int(partition[0])] = str(partition[-1])
+    except Exception as ex:
+        print(ex)
+        class_id_map = None
+    return class_id_map
+
+
 class PostProcesser(object):
     def __init__(self, func_list, main_indicator="Topk"):
         self.func_list = func_list
@@ -54,27 +77,45 @@ class PostProcesser(object):
 
 
 class ThreshOutput(object):
-    def __init__(self, threshold, label_0="0", label_1="1"):
+    def __init__(self,
+                 threshold=0,
+                 default_label_index=0,
+                 class_id_map_file=None,
+                 delimiter=None,
+                 label_0=None,
+                 label_1=None):
         self.threshold = threshold
-        self.label_0 = label_0
-        self.label_1 = label_1
+        self.default_label_index = default_label_index
+        delimiter = delimiter if delimiter is not None else " "
+        self.class_id_map = parse_class_id_map(class_id_map_file, delimiter)
+
+        if label_0 is not None or label_1 is not None:
+            print(
+                "[WARNING] The arguments \"label_0\" and \"label_1\" have been deprecated. Please use \"default_label_index\" instead."
+            )
 
     def __call__(self, x, file_names=None):
+        if file_names is not None:
+            assert x.shape[0] == len(file_names)
         y = []
         for idx, probs in enumerate(x):
-            score = probs[1]
-            if score < self.threshold:
-                result = {
-                    "class_ids": [0],
-                    "scores": [1 - score],
-                    "label_names": [self.label_0]
-                }
+            index = probs.argsort(axis=0)[::-1].astype("int32")
+            top1_id = index[0]
+            top1_score = probs[top1_id]
+
+            if top1_score > self.threshold:
+                rtn_id = top1_id
             else:
-                result = {
-                    "class_ids": [1],
-                    "scores": [score],
-                    "label_names": [self.label_1]
-                }
+                rtn_id = self.default_label_index
+
+            label_name = self.class_id_map[
+                rtn_id] if self.class_id_map is not None else ""
+
+            result = {
+                "class_ids": [rtn_id],
+                "scores": [probs[rtn_id]],
+                "label_names": [label_name]
+            }
             if file_names is not None:
                 result["file_name"] = file_names[idx]
             y.append(result)
@@ -85,30 +126,8 @@ class Topk(object):
     def __init__(self, topk=1, class_id_map_file=None, delimiter=None):
         assert isinstance(topk, (int, ))
         self.topk = topk
-        self.delimiter = delimiter if delimiter is not None else " "
-        self.class_id_map = self.parse_class_id_map(class_id_map_file)
-
-    def parse_class_id_map(self, class_id_map_file):
-        if class_id_map_file is None:
-            return None
-
-        if not os.path.exists(class_id_map_file):
-            print(
-                "Warning: If want to use your own label_dict, please input legal path!\nOtherwise label_names will be empty!"
-            )
-            return None
-
-        try:
-            class_id_map = {}
-            with open(class_id_map_file, "r") as fin:
-                lines = fin.readlines()
-                for line in lines:
-                    partition = line.split("\n")[0].partition(self.delimiter)
-                    class_id_map[int(partition[0])] = str(partition[-1])
-        except Exception as ex:
-            print(ex)
-            class_id_map = None
-        return class_id_map
+        delimiter = delimiter if delimiter is not None else " "
+        self.class_id_map = parse_class_id_map(class_id_map_file, delimiter)
 
     def __call__(self, x, file_names=None):
         if file_names is not None:
@@ -140,30 +159,8 @@ class Topk(object):
 class MultiLabelThreshOutput(object):
     def __init__(self, threshold=0.5, class_id_map_file=None, delimiter=None):
         self.threshold = threshold
-        self.delimiter = delimiter if delimiter is not None else " "
-        self.class_id_map = self.parse_class_id_map(class_id_map_file)
-
-    def parse_class_id_map(self, class_id_map_file):
-        if class_id_map_file is None:
-            return None
-
-        if not os.path.exists(class_id_map_file):
-            print(
-                "Warning: If want to use your own label_dict, please input legal path!\nOtherwise label_names will be empty!"
-            )
-            return None
-
-        try:
-            class_id_map = {}
-            with open(class_id_map_file, "r") as fin:
-                lines = fin.readlines()
-                for line in lines:
-                    partition = line.split("\n")[0].partition(self.delimiter)
-                    class_id_map[int(partition[0])] = str(partition[-1])
-        except Exception as ex:
-            print(ex)
-            class_id_map = None
-        return class_id_map
+        delimiter = delimiter if delimiter is not None else " "
+        self.class_id_map = parse_class_id_map(class_id_map_file, delimiter)
 
     def __call__(self, x, file_names=None):
         y = []

docs/zh_CN/models/PULC/PULC_image_orientation.md

+# PULC 图像方向分类模型
+
+## 目录
+
+- [1. 模型和应用场景介绍](#1)
+- [2. 模型快速体验](#2)
+    - [2.1 安装 paddlepaddle](#2.1)
+    - [2.2 安装 paddleclas](#2.2)
+    - [2.3 预测](#2.3)
+- [3. 模型训练、评估和预测](#3)
+  - [3.1 环境配置](#3.1)  
+  - [3.2 数据准备](#3.2)
+    - [3.2.1 数据集来源](#3.2.1)
+    - [3.2.2 数据集获取](#3.2.2)
+  - [3.3 模型训练](#3.3)
+  - [3.4 模型评估](#3.4)
+  - [3.5 模型预测](#3.5)
+- [4. 模型压缩](#4)
+  - [4.1 SKL-UGI 知识蒸馏](#4.1)
+    - [4.1.1 教师模型训练](#4.1.1)
+    - [4.1.2 蒸馏训练](#4.1.2)
+- [5. 超参搜索](#5)
+- [6. 模型推理部署](#6)
+  - [6.1 推理模型准备](#6.1)
+    - [6.1.1 基于训练得到的权重导出 inference 模型](#6.1.1)
+    - [6.1.2 直接下载 inference 模型](#6.1.2)
+  - [6.2 基于 Python 预测引擎推理](#6.2)
+    - [6.2.1 预测单张图片](#6.2.1)
+    - [6.2.2 基于文件夹的批量预测](#6.2.2)
+  - [6.3 基于 C++ 预测引擎推理](#6.3)
+  - [6.4 服务化部署](#6.4)
+  - [6.5 端侧部署](#6.5)
+  - [6.6 Paddle2ONNX 模型转换与预测](#6.6)
+
+<a name="1"></a>
+
+## 1. 模型和应用场景介绍
+
+该案例提供了用户使用 PaddleClas 的超轻量图像分类方案（PULC，Practical Ultra Lightweight image Classification）快速构建轻量级、高精度、可落地的图像方向分类模型（），该模型能够广泛应用于多种视觉任务中。下表列出了图像方向分类模型的相关指标。
+<!-- 前两行展现了使用 SwinTranformer_tiny 和 MobileNetV3_small_x0_35 作为 backbone 训练得到的模型的相关指标，第三行至第五行依次展现了替换 backbone 为 PPLCNet_x1_0、使用 SSLD 预训练模型、使用EDA策略训练得到的模型的相关指标。 -->
+
+| 模型                    | 精度（%） | 延时（ms） | 存储（M） | 策略                       |
+| ----------------------- | --------- | ---------- | --------- | -------------------------- |
+<!-- | SwinTranformer_tiny     | 99.12     | 89.65      | 111       | 使用ImageNet预训练模型     | -->
+<!-- | MobileNetV3_small_x0_35 | 83.61     | 2.95       | 2.6        | 使用ImageNet预训练模型     | -->
+<!-- | PPLCNet_x1_0            | 97.85     | 2.16       | 7.1       | 使用ImageNet预训练模型     | -->
+| PPLCNet_x1_0            | 89.99     | 2.16       | 7.1       | 使用SSLD预训练模型         |
+<!-- | **PPLCNet_x1_0**        | **99.06** | **2.16**   | **7.1**   | 使用SSLD预训练模型+EDA策略 | -->
+
+<!-- 从表中可以看出，backbone 为 SwinTranformer_tiny 时精度比较高，但是推理速度较慢。将 backbone 替换为轻量级模型 MobileNetV3_small_x0_35 后，速度提升明显，但精度有了大幅下降。将 backbone 替换为 PPLCNet_x1_0 时，速度略为提升，同时精度较 MobileNetV3_small_x0_35 高了 14.24 个百分点。在此基础上，使用 SSLD 预训练模型后，在不改变推理速度的前提下，精度可以提升 1.17 个百分点，进一步地使用 EDA 策略后，精度可以再提升 0.04 个百分点。此时，PPLCNet_x1_0 与 SwinTranformer_tiny 的精度差别不大，但是速度明显变快。关于 PULC 的训练方法和推理部署方法将在下面详细介绍。 -->
+
+**备注：**
+
+* 关于PP-LCNet的介绍可以参考[PP-LCNet介绍](../ImageNet1k/PP-LCNet.md)，相关论文可以查阅[PP-LCNet paper](https://arxiv.org/abs/2109.15099)。
+
+<a name="2"></a>
+
+## 2. 模型快速体验
+
+<a name="2.1"></a>  
+
+### 2.1 安装 paddlepaddle
+
+- 您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装
+
+```bash
+python3 -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple
+```
+
+- 您的机器是CPU，请运行以下命令安装
+
+```bash
+python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
+```
+
+更多的版本需求，请参照[飞桨官网安装文档](https://www.paddlepaddle.org.cn/install/quick)中的说明进行操作。
+
+<a name="2.2"></a>  
+
+### 2.2 安装 paddleclas
+
+使用如下命令快速安装 paddleclas
+
+```  
+pip3 install paddleclas
+```
+
+<a name="2.3"></a>
+
+### 2.3 预测
+
+点击[这里](https://paddleclas.bj.bcebos.com/data/PULC/pulc_demo_imgs.zip)下载 demo 数据并解压，然后在终端中切换到相应目录。
+
+* 使用命令行快速预测
+
+```bash
+paddleclas --model_name=image_orientation --infer_imgs=pulc_demo_imgs/image_orientation/1.jpg
+```
+
+结果如下：
+```
+>>> result
+class_ids: [1], scores: [0.9346007], label_names: ['90°'], filename: pulc_demo_imgs/image_orientation/1.jpg
+Predict complete!
+```
+
+**备注**： 更换其他预测的数据时，只需要改变 `--infer_imgs=xx` 中的字段即可，支持传入整个文件夹。
+
+
+* 在 Python 代码中预测
+```python
+import paddleclas
+model = paddleclas.PaddleClas(model_name="image_orientation")
+result = model.predict(input_data="pulc_demo_imgs/image_orientation/1.jpg")
+print(next(result))
+```
+
+**备注**：`model.predict()` 为可迭代对象（`generator`），因此需要使用 `next()` 函数或 `for` 循环对其迭代调用。每次调用将以 `batch_size` 为单位进行一次预测，并返回预测结果, 默认 `batch_size` 为 1，如果需要更改 `batch_size`，实例化模型时，需要指定 `batch_size`，如 `model = paddleclas.PaddleClas(model_name="image_orientation",  batch_size=2)`, 使用默认的代码返回结果示例如下：
+
+```
+>>> result
+[{'class_ids': [1], 'scores': [0.9346007], 'label_names': ['90°'], 'filename': 'pulc_demo_imgs/image_orientation/1.jpg'}]
+```
+
+<a name="3"></a>
+
+## 3. 模型训练、评估和预测
+
+敬请期待。
+
+<a name="4"></a>
+
+## 4. 模型压缩
+
+敬请期待。
+
+<a name="6"></a>
+
+## 6. 模型推理部署
+
+<a name="6.1"></a>
+
+### 6.1 推理模型准备
+
+Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端，提供高性能的推理能力。相比于直接基于预训练模型进行预测，Paddle Inference可使用MKLDNN、CUDNN、TensorRT 进行预测加速，从而实现更优的推理性能。更多关于Paddle Inference推理引擎的介绍，可以参考[Paddle Inference官网教程](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/infer/inference/inference_cn.html)。
+
+当使用 Paddle Inference 推理时，加载的模型类型为 inference 模型。本案例提供了两种获得 inference 模型的方法，如果希望得到和文档相同的结果，请选择[直接下载 inference 模型](#6.1.2)的方式。
+
+<a name="6.1.1"></a>
+
+#### 6.1.1 基于训练得到的权重导出 inference 模型
+
+此处，我们提供了将权重和模型转换的脚本，执行该脚本可以得到对应的 inference 模型：
+
+```bash
+python3 tools/export_model.py \
+    -c ./ppcls/configs/PULC/image_orientation/PPLCNet_x1_0.yaml \
+    -o Global.pretrained_model=output/DistillationModel/best_model_student \
+    -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_image_orientation_infer
+```
+
+执行完该脚本后会在`deploy/models/`下生成`PPLCNet_x1_0_image_orientation_infer`文件夹，`models` 文件夹下应有如下文件结构：
+
+```
+├── PPLCNet_x1_0_image_orientation_infer
+│   ├── inference.pdiparams
+│   ├── inference.pdiparams.info
+│   └── inference.pdmodel
+```
+
+**备注：** 此处的最佳权重是经过知识蒸馏后的权重路径，如果没有执行知识蒸馏的步骤，最佳模型保存在`output/PPLCNet_x1_0/best_model.pdparams`中。
+
+<a name="6.1.2"></a>
+
+#### 6.1.2 直接下载 inference 模型
+
+[6.1.1 小节](#6.1.1)提供了导出 inference 模型的方法，此处也提供了该场景可以下载的 inference 模型，可以直接下载体验。
+
+```
+cd deploy/models
+# 下载inference 模型并解压
+wget https://paddleclas.bj.bcebos.com/models/PULC/inference/image_orientation_infer.tar && tar -xf image_orientation_infer.tar
+```
+
+解压完毕后，`models` 文件夹下应有如下文件结构：
+
+```
+├── image_orientation_infer
+│   ├── inference.pdiparams
+│   ├── inference.pdiparams.info
+│   └── inference.pdmodel
+```
+
+<a name="6.2"></a>
+
+### 6.2 基于 Python 预测引擎推理
+
+<a name="6.2.1"></a>
+
+#### 6.2.1 预测单张图像
+
+返回 `deploy` 目录：
+
+```
+cd ../
+```
+
+运行下面的命令，对图像 `./images/PULC/image_orientation/1.jpg` 进行含文字图像方向分类。
+
+```shell
+# 使用下面的命令使用 GPU 进行预测
+python3.7 python/predict_cls.py -c configs/PULC/image_orientation/inference_image_orientation.yaml
+# 使用下面的命令使用 CPU 进行预测
+python3.7 python/predict_cls.py -c configs/PULC/image_orientation/inference_image_orientation.yaml -o Global.use_gpu=False
+```
+
+输出结果如下。
+
+```
+1.jpg:  class id(s): [1], score(s): [0.93], label_name(s): ['90°']
+```
+
+其中，输出为top1的预测结果，`0°` 表示该图未旋转，`90°` 表示该图方向为逆时针90度，`180°` 表示该图文本方向为逆时针180度，`270°` 表示该图文本方向为逆时针270度。
+
+<a name="6.2.2"></a>
+
+#### 6.2.2 基于文件夹的批量预测
+
+如果希望预测文件夹内的图像，可以直接修改配置文件中的 `Global.infer_imgs` 字段，也可以通过下面的 `-o` 参数修改对应的配置。
+
+```shell
+# 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
+python3.7 python/predict_cls.py -c configs/PULC/image_orientation/inference_image_orientation.yaml -o Global.infer_imgs="./images/PULC/image_orientation/"
+```
+
+终端中会输出该文件夹内所有图像的分类结果，如下所示。
+
+```
+0.jpg:  class id(s): [0], score(s): [0.93], label_name(s): ['0°']
+1.jpg:  class id(s): [1], score(s): [0.93], label_name(s): ['90°']
+2.jpg:  class id(s): [2], score(s): [0.92], label_name(s): ['180°']
+3.jpg:  class id(s): [3], score(s): [0.92], label_name(s): ['270°']
+```
+
+<a name="6.3"></a>
+
+### 6.3 基于 C++ 预测引擎推理
+
+PaddleClas 提供了基于 C++ 预测引擎推理的示例，您可以参考[服务器端 C++ 预测](../../deployment/image_classification/cpp/linux.md)来完成相应的推理部署。如果您使用的是 Windows 平台，可以参考[基于 Visual Studio 2019 Community CMake 编译指南](../../deployment/image_classification/cpp/windows.md)完成相应的预测库编译和模型预测工作。
+
+<a name="6.4"></a>
+
+### 6.4 服务化部署
+
+Paddle Serving 提供高性能、灵活易用的工业级在线推理服务。Paddle Serving 支持 RESTful、gRPC、bRPC 等多种协议，提供多种异构硬件和多种操作系统环境下推理解决方案。更多关于Paddle Serving 的介绍，可以参考[Paddle Serving 代码仓库](https://github.com/PaddlePaddle/Serving)。
+
+PaddleClas 提供了基于 Paddle Serving 来完成模型服务化部署的示例，您可以参考[模型服务化部署](../../deployment/image_classification/paddle_serving.md)来完成相应的部署工作。
+
+<a name="6.5"></a>
+
+### 6.5 端侧部署
+
+Paddle Lite 是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，定位于支持包括移动端、嵌入式以及服务器端在内的多硬件平台。更多关于 Paddle Lite 的介绍，可以参考[Paddle Lite 代码仓库](https://github.com/PaddlePaddle/Paddle-Lite)。
+
+PaddleClas 提供了基于 Paddle Lite 来完成模型端侧部署的示例，您可以参考[端侧部署](../../deployment/image_classification/paddle_lite.md)来完成相应的部署工作。
+
+<a name="6.6"></a>
+
+### 6.6 Paddle2ONNX 模型转换与预测
+
+Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式。通过 ONNX 可以完成将 Paddle 模型到多种推理引擎的部署，包括TensorRT/OpenVINO/MNN/TNN/NCNN，以及其它对 ONNX 开源格式进行支持的推理引擎或硬件。更多关于 Paddle2ONNX 的介绍，可以参考[Paddle2ONNX 代码仓库](https://github.com/PaddlePaddle/Paddle2ONNX)。
+
+PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并作推理预测的示例，您可以参考[Paddle2ONNX 模型转换与预测](../../deployment/image_classification/paddle2onnx.md)来完成相应的部署工作。

docs/zh_CN/models/PULC/model_list.md

@@ -19,6 +19,7 @@
 | table_attribute |[PULC表格属性识别](PULC_table_attribute.md)|表格属性识别，可以识别表格是否为拍照、表格数量、表格颜色、表格清晰度、表格有无干扰、表格角度6个属性| 88.1 |7.1M|2.58ms|[推理模型](https://paddleclas.bj.bcebos.com/models/PULC/inference/table_attribute_infer.tar) / [预训练模型](https://paddleclas.bj.bcebos.com/models/PULC/pretrained/table_attribute_pretrained.pdparams)|
 | code_exists |[PULC有无广告码](PULC_code_exists.md)|判断图片中有无广告码，其中，这里广告码包含二维码、条形码、小程序码| 94.9 |7.0M|2.13ms|[推理模型](https://paddleclas.bj.bcebos.com/models/PULC/inference/code_exists_infer.tar) / [预训练模型](https://paddleclas.bj.bcebos.com/models/PULC/pretrained/code_exists_pretrained.pdparams)|
 | clarity_assessment |[PULC清晰度评估](PULC_clarity_assessment.md)|判断图片的清晰度| 95.3 |7.0M|2.13ms|[推理模型](https://paddleclas.bj.bcebos.com/models/PULC/inference/clarity_assessment_infer.tar) / [预训练模型](https://paddleclas.bj.bcebos.com/models/PULC/pretrained/clarity_assessment_pretrained.pdparams)|
+| image_orientation |[PULC图像方向分类](PULC_image_orientation.md)|判断图片的清晰度| 89.99 |7.1M|2.16ms|[推理模型](https://paddleclas.bj.bcebos.com/models/PULC/inference/image_orientation_infer.tar) / [预训练模型](https://paddleclas.bj.bcebos.com/models/PULC/pretrained/image_orientation_pretrained.pdparams)|
 
 
 
@@ -26,4 +27,4 @@
 
 * 以上所有的模型的 backbone 均为 PPLCNet_x1_0，部分模型大小不同是由于分类的输出大小不同导致的，推理耗时是基于Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz 测试得到，其中测试过程开启 MKLDNN 加速策略，线程数为10。速度测试过程会有轻微波动。
 
-* person_exists、safety_helmet、car_exists 的评测指标为 TprAtFpr，person_attribute、vehicle_attribute、table_attribute 的评测指标为mA、traffic_sign、text_image_orientation、textline_orientation、language_classification、code_exists、clarity_assessment 的评测指标为Top-1 Acc。
+* person_exists、safety_helmet、car_exists 的评测指标为 TprAtFpr；person_attribute、vehicle_attribute、table_attribute 的评测指标为mA；traffic_sign、text_image_orientation、textline_orientation、language_classification、code_exists、clarity_assessment、image_orientation 的评测指标为Top-1 Acc。

paddleclas.py

@@ -197,8 +197,8 @@ PULC_MODEL_BASE_DOWNLOAD_URL = "https://paddleclas.bj.bcebos.com/models/PULC/inf
 PULC_MODELS = [
     "car_exists", "language_classification", "person_attribute",
     "person_exists", "safety_helmet", "text_image_orientation",
-    "textline_orientation", "traffic_sign", "vehicle_attribute",
-    "table_attribute"
+    "image_orientation", "textline_orientation", "traffic_sign",
+    "vehicle_attribute", "table_attribute"
 ]
 
 SHITU_MODEL_BASE_DOWNLOAD_URL = "https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/{}_infer.tar"
@@ -284,10 +284,6 @@ def init_config(model_type, model_name, inference_model_dir, **kwargs):
             "crop_size"]
 
     # TODO(gaotingquan): not robust
-    if "thresh" in kwargs and kwargs[
-            "thresh"] and "ThreshOutput" in cfg.PostProcess:
-        cfg.PostProcess.ThreshOutput.thresh = kwargs["thresh"]
-
     if cfg.get("PostProcess"):
         if "Topk" in cfg.PostProcess:
             if "topk" in kwargs and kwargs["topk"]:
@@ -300,6 +296,17 @@ def init_config(model_type, model_name, inference_model_dir, **kwargs):
                     cfg.PostProcess.Topk.class_id_map_file, "../")
                 cfg.PostProcess.Topk.class_id_map_file = os.path.join(
                     __dir__, class_id_map_file_path)
+        if "ThreshOutput" in cfg.PostProcess:
+            if "thresh" in kwargs and kwargs["thresh"]:
+                cfg.PostProcess.ThreshOutput.thresh = kwargs["thresh"]
+            if "class_id_map_file" in kwargs and kwargs["class_id_map_file"]:
+                cfg.PostProcess.ThreshOutput["class_id_map_file"] = kwargs[
+                    "class_id_map_file"]
+            elif "class_id_map_file" in cfg.PostProcess.ThreshOutput:
+                class_id_map_file_path = os.path.relpath(
+                    cfg.PostProcess.ThreshOutput.class_id_map_file, "../")
+                cfg.PostProcess.ThreshOutput.class_id_map_file = os.path.join(
+                    __dir__, class_id_map_file_path)
         if "VehicleAttribute" in cfg.PostProcess:
             if "color_threshold" in kwargs and kwargs["color_threshold"]:
                 cfg.PostProcess.VehicleAttribute.color_threshold = kwargs[

ppcls/utils/PULC_label_list/image_orientation_label_list.txt

+0 0°
+1 90°
+2 180°
+3 270°
\ No newline at end of file