diff --git a/README_ch.md b/README_ch.md index 74f02ecca839b53217b2189a65afaf0b012b3261..a88305f5f2b5166402c864834e80d1b6c05a6300 100644 --- a/README_ch.md +++ b/README_ch.md @@ -53,52 +53,65 @@ Res2Net200_vd预训练模型Top-1精度高达85.1%。 PP-ShiTu图像识别快速体验:[点击这里](./docs/zh_CN/quick_start/quick_start_recognition.md) ## 文档教程 -- 安装说明 - - [安装Paddle](./docs/zh_CN/installation/install_paddle.md) - - [安装PaddleClas](./docs/zh_CN/installation/install_paddleclas.md) -- 快速体验 - - [PP-ShiTu图像识别快速体验](./docs/zh_CN/quick_start/quick_start_recognition.md) - - 图像分类快速体验 - - [尝鲜版](./docs/zh_CN/quick_start/quick_start_classification_new_user.md) - - [进阶版](./docs/zh_CN/quick_start/quick_start_classification_professional.md) - - [多标签分类](./docs/zh_CN/quick_start/quick_start_multilabel_classification.md) +- [环境准备]() +- [PULC超轻量图像分类实用方案]() + - [超轻量图像分类快速体验 (@崔程)]() + - [超轻量图像分类模型库](包含benchmark @崔程) + - xx + - [方案介绍和模型训练]() + - [推理部署](@水龙) + - 基于python预测引擎推理 + - 基于C++预测引擎推理 + - 服务化部署 + - 端侧部署 + - Paddle2ONNX模型转化与预测 + - [模型压缩](@崔程) - [PP-ShiTu图像识别系统介绍](#图像识别系统介绍) + - 图像识别快速体验 + - 模块介绍 - [主体检测](./docs/zh_CN/image_recognition_pipeline/mainbody_detection.md) - - [特征提取](./docs/zh_CN/image_recognition_pipeline/feature_extraction.md) + - [特征提取模型](./docs/zh_CN/image_recognition_pipeline/feature_extraction.md) - [向量检索](./docs/zh_CN/image_recognition_pipeline/vector_search.md) -- [骨干网络和预训练模型库](./docs/zh_CN/algorithm_introduction/ImageNet_models.md) -- 数据准备 - - [图像分类数据集介绍](./docs/zh_CN/data_preparation/classification_dataset.md) - - [图像识别数据集介绍](./docs/zh_CN/data_preparation/recognition_dataset.md) -- 模型训练 - - [图像分类任务](./docs/zh_CN/models_training/classification.md) - - [图像识别任务](./docs/zh_CN/models_training/recognition.md) - - [训练参数调整策略](./docs/zh_CN/models_training/train_strategy.md) - - [配置文件说明](./docs/zh_CN/models_training/config_description.md) -- 模型预测部署 - - [模型导出](./docs/zh_CN/inference_deployment/export_model.md) - - Python/C++ 预测引擎 - - [基于Python预测引擎预测推理](./docs/zh_CN/inference_deployment/python_deploy.md) - - [基于C++分类预测引擎预测推理](./docs/zh_CN/inference_deployment/cpp_deploy.md)、[基于C++的PP-ShiTu预测引擎预测推理](deploy/cpp_shitu/readme.md) + - 哈希编码 + - 模型训练(包含数据集格式说明等) + - 推理部署 + - 基于python预测引擎推理 + - 基于C++预测引擎推理 - 服务化部署 - - [Paddle Serving服务化部署(推荐)](./docs/zh_CN/inference_deployment/paddle_serving_deploy.md) - - [Hub serving服务化部署](./docs/zh_CN/inference_deployment/paddle_hub_serving_deploy.md) - - [端侧部署](./deploy/lite/readme.md) - - [whl包预测](./docs/zh_CN/inference_deployment/whl_deploy.md) -- 算法介绍 - - [图像分类任务介绍](./docs/zh_CN/algorithm_introduction/image_classification.md) - - [度量学习介绍](./docs/zh_CN/algorithm_introduction/metric_learning.md) -- 高阶使用 - - [数据增广](./docs/zh_CN/advanced_tutorials/DataAugmentation.md) - - [模型量化](./docs/zh_CN/advanced_tutorials/model_prune_quantization.md) - - [知识蒸馏](./docs/zh_CN/advanced_tutorials/knowledge_distillation.md) - - [PaddleClas结构解析](./docs/zh_CN/advanced_tutorials/code_overview.md) - - [社区贡献指南](./docs/zh_CN/advanced_tutorials/how_to_contribute.md) + - 端侧部署 + - Paddle2ONNX模型转化与预测 + - 模型压缩 + - 模型量化 + - 模型裁剪 + - [骨干网络和预训练模型库](./docs/zh_CN/algorithm_introduction/ImageNet_models.md) +- PP系列骨干网络模型(包括算法介绍,使用,训推一体链接等)(@崔程) + - PP-HGNet + - PP-LCNet v2 + - PP-LCNet +- SSLD半监督知识蒸馏方案 (@若愚) + - SSLD算法简介 + - 预训练模型库 + - 使用方法(?) +- 前沿算法 + - 骨干网络和预训练模型库 (@崔程) + - 服务端CNN模型库 + - 移动端CNN模型库 + - Vision Transformer模型库 + - 度量学习(arcmargin等算法)(@水龙) + - ReID (@水龙) + - 向量检索 (@水龙) + - 哈希特征 (@水龙) + - 模型蒸馏 (@若愚) + - 数据增强 (@崔程) +- 产业实用范例库 (@胜禹) +- 30分钟快速体验图像分类(原尝鲜版)(@崔程) - FAQ - - [图像识别精选问题](docs/zh_CN/faq_series/faq_2021_s2.md) - - [图像分类精选问题](docs/zh_CN/faq_series/faq_selected_30.md) - - [图像分类FAQ第一季](docs/zh_CN/faq_series/faq_2020_s1.md) - - [图像分类FAQ第二季](docs/zh_CN/faq_series/faq_2021_s1.md) + - [图像识别精选问题](docs/zh_CN/faq_series/faq_2021_s2.md) + - [图像分类精选问题](docs/zh_CN/faq_series/faq_selected_30.md) + - [图像分类FAQ第一季](docs/zh_CN/faq_series/faq_2020_s1.md) + - [图像分类FAQ第二季](docs/zh_CN/faq_series/faq_2021_s1.md) +- [PaddleClas结构解析](./docs/zh_CN/advanced_tutorials/code_overview.md) +- [社区贡献指南](./docs/zh_CN/advanced_tutorials/how_to_contribute.md) - [许可证书](#许可证书) - [贡献代码](#贡献代码)