Update product docs and configs

deploy/configs/build_inshop.yaml → deploy/configs/build_product.yaml

 Global:
-  rec_inference_model_dir: "./models/product_ResNet50_vd_Inshop_v1.0_infer"
+  rec_inference_model_dir: "./models/product_ResNet50_vd_aliproduct_v1.0_infer"
   batch_size: 1
   use_gpu: True
   enable_mkldnn: True

deploy/configs/inference_inshop.yaml → deploy/configs/inference_product.yaml

 Global:
   infer_imgs: "./dataset/product_demo_data_v1.0/query"
   det_inference_model_dir: "./models/ppyolov2_r50vd_dcn_mainbody_v1.0_infer"
-  rec_inference_model_dir: "./models/product_ResNet50_vd_Inshop_v1.0_infer"
+  rec_inference_model_dir: "./models/product_ResNet50_vd_aliproduct_v1.0_infer"
   batch_size: 1
   image_shape: [3, 640, 640]
-  threshold: 0.0
-  max_det_results: 1
+  threshold: 0.2
+  max_det_results: 2
   labe_list:
   - foreground
 

docs/zh_CN/application/product_recognition.md

+# 商品识别
+
+商品识别技术，是现如今应用非常广的一个领域。拍照购物的方式已经被很多人所采纳，无人结算台已经走入各大超市，无人超市更是如火如荼，这背后都是以商品识别技术作为支撑。商品识别技术大概是"商品检测+商品识别"这样的流程，商品检测模块负责检测出潜在的商品区域，商品识别模型负责将商品检测模块检测出的主体进行识别。识别模块多采用检索的方式，根据查询图片和底库图片进行相似度排序获得预测类别。此文档主要对商品图片的特征提取部分进行相关介绍，内容包括：
+
+-  数据集及预处理方式
+-  Backbone的具体设置
+-  Loss函数的相关设置
+
+
+## 1 Aliproduct
+
+### 1 数据集
+
+<img src="../../images/product/aliproduct.png" style="zoom:50%;" />
+
+Aliproduct数据是天池竞赛开源的一个数据集，也是目前开源的最大的商品数据集，其有5万多个标识类别，约250万训练图片。相关数据介绍参考[原论文](https://arxiv.org/abs/2008.05359)。
+
+### 2 图像预处理
+
+- 图像`Resize`到224x224
+- 图像`RandomFlip`
+- Normlize：图像归一化  
+
+### 3 Backbone的具体设置
+
+具体是用`ResNet50_vd`作为backbone，主要做了如下修改：
+
+ - 使用ImageNet预训练模型
+
+ - 在GAP后、分类层前加入一个512维的embedding FC层，没有做BatchNorm和激活。
+
+配置文件如下，其中BackboneStopLayer定义了backbone的输出层，在此处为GAP经过flatten后的层，Neck部分为embedding层，也是最后表示特征的层，Head部分为分类层，其输出维度等于训练数据集的类别数。
+
+```yaml
+Arch:
+  name: RecModel
+  Backbone:
+    name: ResNet50_vd
+    pretrained: True
+  BackboneStopLayer:
+    name: flatten_0
+  Neck:
+    name: FC
+    embedding_size: 2048
+    class_num: 512
+  Head:
+    name: FC
+    embedding_size: 512
+    class_num: 50030
+```
+   
+### 4 Loss的设置
+
+在Aliproduct商品识别中，使用了[CELoss](../../../ppcls/loss/celoss.py)训练, 为了获得更加鲁棒的特征，后续会使用其他Loss参与训练，敬请期待。配置文件如下：
+
+```yaml
+Loss:
+  Train:
+    - CELoss:
+        weight: 1.0
+  Eval:
+    - CELoss:
+        weight: 1.0
+```
+
+## 2 Inshop
+
+### 1 数据集
+
+<img src="../../images/product/inshop.png" style="zoom:50%;" />
+
+Inshop数据集是DeepFashion的子集，其是香港中文大学开放的一个large-scale服装数据集，Inshop数据集是其中服装检索数据集，涵盖了大量买家秀的服装。相关数据介绍参考[原论文](https://openaccess.thecvf.com/content_cvpr_2016/papers/Liu_DeepFashion_Powering_Robust_CVPR_2016_paper.pdf)。
+
+### 2 图像预处理
+
+数据增强是训练大规模
+- 图像`Resize`到224x224
+- 图像`RandomFlip`
+- Normlize：图像归一化
+- [RandomErasing](https://arxiv.org/pdf/1708.04896v2.pdf)
+
+### 3 Backbone的具体设置
+
+具体是用`ResNet50_vd`作为backbone，主要做了如下修改：
+
+ - 使用ImageNet预训练模型
+
+ - 在GAP后、分类层前加入一个512维的embedding FC层，没有做BatchNorm和激活。
+ 
+ - 分类层采用Arcmargin Head，具体原理可参考[原论文](https://arxiv.org/pdf/1801.07698.pdf)。
+
+配置文件如下，其中BackboneStopLayer定义了backbone的输出层，在此处为GAP经过flatten后的层，Neck部分为embedding层，也是最后表示特征的层，Head部分为arcmargin head, 代码实现为[arcmargin.py](../../../ppcls/arch/gears/arcmargin.py)，其输出维度等于训练数据集的类别数。
+
+```yaml
+Arch:
+  name: RecModel
+  infer_output_key: features
+  infer_add_softmax: False
+
+  Backbone:
+    name: ResNet50_vd
+    pretrained: False
+  BackboneStopLayer:
+    name: flatten_0
+  Neck:
+    name: FC
+    embedding_size: 2048
+    class_num: 512
+  Head:
+    name: ArcMargin
+    embedding_size: 512
+    class_num: 3997
+    margin: 0.15
+    scale: 30
+```
+   
+### 4 Loss的设置
+
+在Inshop商品识别中，使用了[CELoss](../../../ppcls/loss/celoss.py)和[TripletLossV2](../../../ppcls/loss/triplet.py)联合训练。配置文件如下：
+
+```yaml
+Loss:
+  Train:
+    - CELoss:
+        weight: 1.0
+    - TripletLossV2:
+        weight: 1.0
+        margin: 0.5
+  Eval:
+    - CELoss:
+        weight: 1.0
+```

docs/zh_CN/tutorials/quick_start_recognition.md

@@ -39,7 +39,7 @@
 | Logo识别模型 | Logo场景  | [数据下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/logo_demo_data_v1.0.tar) |  [模型下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/logo_rec_ResNet50_Logo3K_v1.0_infer.tar) | [inference_logo.yaml](../../../deploy/configs/inference_logo.yaml) | [build_logo.yaml](../../../deploy/configs/build_logo.yaml) |
 | 动漫人物识别模型 | 动漫人物场景  | [数据下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/cartoon_demo_data_v1.0.tar) | [模型下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/cartoon_rec_ResNet50_iCartoon_v1.0_infer.tar) | [inference_cartoon.yaml](../../../deploy/configs/inference_cartoon.yaml) | [build_cartoon.yaml](../../../deploy/configs/build_cartoon.yaml) |
 | 车辆细分类模型 | 车辆场景  | [数据下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/vehicle_demo_data_v1.0.tar) |  [模型下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/vehicle_cls_ResNet50_CompCars_v1.0_infer.tar) | [inference_vehicle.yaml](../../../deploy/configs/inference_vehicle.yaml) | [build_vehicle.yaml](../../../deploy/configs/build_vehicle.yaml) |
-| 商品识别模型 | 商品场景  | [数据下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/product_demo_data_v1.0.tar) |  [模型下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/product_ResNet50_vd_Inshop_v1.0_infer.tar) | [inference_inshop.yaml](../../../deploy/configs/) | [build_inshop.yaml](../../../deploy/configs/build_inshop.yaml) |
+| 商品识别模型 | 商品场景  | [数据下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/product_demo_data_v1.0.tar) |  [模型下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/product_ResNet50_vd_aliproduct_v1.0_infer.tar) | [inference_product.yaml](../../../deploy/configs/inference_product.yaml) | [build_product.yaml](../../../deploy/configs/build_product.yaml) |
 
 
 **注意**：windows 环境下如果没有安装wget,下载模型时可将链接复制到浏览器中下载，并解压放置在相应目录下；linux或者macOS用户可以右键点击，然后复制下载链接，即可通过`wget`命令下载。