From ba330baa32a77a17f0a891c4ab651cbf4cd344ea Mon Sep 17 00:00:00 2001 From: cuicheng01 Date: Wed, 1 Jun 2022 18:14:59 +0000 Subject: [PATCH] update PULC_person_exists.md --- docs/zh_CN/PULC/PULC_person_exists.md | 42 +++++++++++++++++++++------ 1 file changed, 33 insertions(+), 9 deletions(-) diff --git a/docs/zh_CN/PULC/PULC_person_exists.md b/docs/zh_CN/PULC/PULC_person_exists.md index 5fd4be12..766fe1a7 100644 --- a/docs/zh_CN/PULC/PULC_person_exists.md +++ b/docs/zh_CN/PULC/PULC_person_exists.md @@ -1,6 +1,6 @@ # PULC 有人/无人分类模型 -此处提供了用户使用 PaddleClas 的 PULC 方法快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络 PPLCNet、SSLD 预训练权重、EDA 数据增强策略、SKL-UGI 知识蒸馏策略、SHAS 超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。 +此处提供了用户使用 PaddleClas 的 超轻量图像分类方案(PULC, Practical Ultra Lightweight Classification) 快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络 PPLCNet、SSLD 预训练权重、EDA 数据增强策略、SKL-UGI 知识蒸馏策略、SHAS 超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。 ------ @@ -24,14 +24,17 @@ - [3.2.1 基于默认超参数训练轻量级模型](#3.2.1) - [3.2.2 基于默认超参数训练教师模型](#3.2.2) - [3.2.3 基于默认超参数进行蒸馏训练](#3.2.3) -- [4. 模型评估与推理](#4) - - [4.1 模型评估](#3.1) - - [4.2 模型预测](#3.2) +- [4. 模型评估与推理部署](#4) + - [4.1 模型评估](#4.1) + - [4.2 模型预测](#4.2) - [4.3 使用 inference 模型进行推理](#4.3) - [4.3.1 导出 inference 模型](#4.3.1) - - [4.3.2 模型推理预测](#4.3.2) - + - [4.3.2 基于 inference 模型 python 推理预测](#4.3.2) + - [4.3.3 基于 inference 模型 C++ 推理预测](#4.3.3) + - [4.4 基于 Paddle Serving 完成模型服务化部署](#4.4) + - [4.5 基于 Paddle Lite 完成模型端侧部署](#4.5) + ## 1. 应用场景介绍 @@ -57,6 +60,8 @@ | PPLCNet_x1_0 | 93.43 | 2.36 | 6.5 | 使用SSLD预训练模型+EDA策略| | PPLCNet_x1_0 | 95.60 | 2.36 | 6.5 | 使用SSLD预训练模型+EDA策略+SKL-UGI知识蒸馏策略| +**备注：** 关于PPLCNet的介绍可以参考[PPLCNet介绍](../models/PP-LCNet.md)，相关论文可以查阅[PPLCNet paper](https://arxiv.org/abs/2109.15099)。 + ### 2.2 环境配置 @@ -162,6 +167,7 @@ objects365_02035329.jpg: class id(s): [1], score(s): [1.00], label_name(s): ['so 本案例中所使用的所有数据集均为开源数据，`train` 集合为[MS-COCO 数据](https://cocodataset.org/#overview)的训练集的子集，`val` 集合为[Object365 数据](https://www.objects365.org/overview.html)的训练集的子集，`ImageNet_val` 为[ImageNet-1k 数据](https://www.image-net.org/)的验证集。 + #### 3.1.2 数据集获取 在公开数据集的基础上经过后处理即可得到本案例需要的数据，具体处理方法如下： @@ -286,8 +292,7 @@ python3 -m paddle.distributed.launch \ -## 4. 模型评估与推理 - +## 4. 模型评估与推理部署 @@ -347,7 +352,8 @@ python3 tools/export_model.py \ -### 4.3.2 基于 inference 模型推理预测 +### 4.3.2 基于 inference 模型 python 推理预测 + 推理预测的脚本为： ``` @@ -359,3 +365,21 @@ python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_e - 此处的 `PostProcess.ThreshOutput.threshold` 由eval时的最佳 `threshold` 来确定。 - 更多关于推理的细节，可以参考[2.3节](#2.3)。 + + +### 4.3.3 基于 inference 模型 C++ 推理预测 + +PaddleClas 提供了 C++ 推理预测的示例，您可以参考[服务器端 C++ 预测](../inference_deployment/cpp_deploy.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](inference_deployment/cpp_deploy_on_windows.md)完成相应的预测库编译和模型预测工作。 + + + +### 4.4 基于 Paddle Serving 完成模型服务化部署 + +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](../inference_deployment/paddle_serving_deploy.md)来完成相应的部署工作。 + + + +### 4.5 基于 Paddle Lite 完成模型端侧部署 + +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](../inference_deployment/paddle_lite_deploy.md)来 +完成相应的部署工作。 -- GitLab