# PP-ShiTu应用场景介绍该文档介绍了PP-ShiTu提供的各种应用场景库简介、下载链接以及使用简介。 ## 目录 - [1. 应用场景介绍](#1-应用场景介绍) - [1.1 场景库介绍](#11-场景库介绍) - [1.2 场景库下载](#12-场景库下载) - [2. 使用说明](#2-使用说明) - [2.1 环境配置](#21-环境配置) - [2.2 下载、解压场景库数据](#22-下载解压场景库数据) - [2.3 准备模型](#23-准备模型) - [2.4 场景库识别与检索](#24-场景库识别与检索) - [2.4.1 识别单张图像](#241-识别单张图像) - [2.4.2 基于文件夹的批量识别](#242-基于文件夹的批量识别) ## 1. 应用场景介绍 ### 1.1 场景库介绍 PP-ShiTu对原数据集进行了`Gallery`库和`Query`库划分，并生成了对应的`Index`索引库，具体应用场景介绍和下载地址如下表所示。 | 类别 | 场景 |示例图|场景简介|Recall@1|场景库下载地址|原数据集下载地址| |:---:|:---:|:---:|:---:|:---:|:---:|-----| | 动植物 | 花 |

|104种花细分类识别 | 0.9788 | [104flowers](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/PP-ShiTuV2_application_dataset/104flowers.tar) | [原数据下载地址](https://www.kaggle.com/datasets/msheriey/104-flowers-garden-of-eden) | | 动植物 | 蝴蝶 |

| 32种野外植物识别，包括雏菊、蒲公英等 | 0.9758 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/ryanpartridge01/wild-edible-plants) | | 动植物 | 动物 |

|90种动物识别，包括斑马、羚羊等 | 0.9078 | [AnimalImageDataset](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/PP-ShiTuV2_application_dataset/AnimalImageDataset.tar) | [原数据下载地址](https://www.kaggle.com/datasets/iamsouravbanerjee/animal-image-dataset-90-different-animals) | | 动植物 | 狗识别 |

|69种狗细分类识别，包括柴犬等 | 0.9606 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/gpiosenka/70-dog-breedsimage-data-set) | | 动植物 | 鸟类 |

|400种各种姿态的鸟细分类识别 | 0.9673 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/gpiosenka/100-bird-species) | | 商品 | 坚果 |

| 10种坚果种类识别，包括开心果、核桃、腰果等 | 0.9412 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/gpiosenka/tree-nuts-image-classification) | | 商品 | 蔬菜 |

| 116种蔬菜识别，包括菠菜、胡萝卜、玉米等 | 0.8929 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/zhaoyj688/vegfru) | | 商品 | 时装 |

| 23种时尚商品识别，包括首饰、挎包、化妆品等 | 0.9555 | [FashionProductImageSmall](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/PP-ShiTuV2_application_dataset/FashionProductImageSmall.tar) | [原数据下载地址](https://www.kaggle.com/datasets/paramaggarwal/fashion-product-images-small) | | 商品 | 鞋子 |

| 6种鞋子识别，包括靴子、足球鞋等 | 0.9000 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/noobyogi0100/shoe-dataset) | | 商品 | 乐器 |

| 30种不同乐器种类识别 | 0.9467 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/gpiosenka/musical-instruments-image-classification) | | 商品 | 宝石 |

| 27种宝石识别，包括萤石、翡翠等 | 0.9653 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/lsind18/gemstones-images) | | 商品 | 球类 |

| 9种交通工具粗分类识别，包括车、船等 | 0.9307 | [Vechicles](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/data/PP-ShiTuV2_application_dataset/Vechicles.tar) | [原数据下载地址](https://www.kaggle.com/datasets/rishabkoul1/vechicle-dataset) | | 交通 | 船 |

|11个巴黎建筑识别，如：巴黎铁塔、圣母院等 | 1.000 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/skylord/oxbuildings) | | 其他 | 天气 |

|10种天气场景识别，如：雨天、打雷、下雪等 | 0.9924 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/jehanbhathena/weather-dataset) | | 其他 | 垃圾 |

|100种运动图像识别 | 0.9413 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/gpiosenka/sports-classification) | | 其他 | 宝可梦 |

| 150种宝可梦神奇宝贝识别，包括皮卡丘、喷火龙等 | 0.9236 | [下载地址](#12-场景库下载) | [原数据下载地址](https://www.kaggle.com/datasets/lantian773030/pokemonclassification) | ### 1.2 场景库下载如需下载已经整理后的场景库数据集，可以扫描下方二维码，关注公众号填写问卷后，加入PaddleClas官方交流群获取**20G重磅图像分类学习大礼包**，**内含上述所有场景库数据集**、**垂类模型集合**（包括人员出入管理、生鲜品识别、商品识别等）、70+前沿图像分类与识别论文、历次发版课程视频与优质社区项目等

## 2. 使用说明 ### 2.1 环境配置 - 安装：请先参考文档[环境准备](../../installation.md)配置PaddleClas运行环境 - 进入`deploy`运行目录，本部分所有内容与命令均需要在`deploy`目录下运行，可以通过下面命令进入`deploy`目录。 ```shell cd deploy ``` ### 2.2 下载、解压场景库数据首先创建存放场景库的地址`deploy/datasets`: ```shell mkdir datasets ``` 下载并解压对应场景库到`deploy/datasets`中。 ```shell cd datasets # 下载并解压场景库数据 wget {场景库下载链接} && tar -xf {压缩包的名称} ``` 以`dataset_name`为例，解压完毕后，`datasets/dataset_name`文件夹下应有如下文件结构： ```shel ├── dataset_name/ │ ├── Gallery/ │ ├── Index/ │ ├── Query/ │ ├── gallery_list.txt/ │ ├── query_list.txt/ │ ├── label_list.txt/ ├── ... ``` 其中，`Gallery`文件夹中存放的是用于构建索引库的原始图像，`Index`表示基于原始图像构建得到的索引库信息，`Query`文件夹存放的是用于检索的图像列表，`gallery_list.txt`和`query_list.txt`分别为索引库和检索图像的标签文件，`label_list.txt`是标签的中英文对照文件（注意：商标场景库文件不包含中英文对照文件）。 ### 2.3 准备模型创建存放模型的文件夹`deploy/models`，并下载轻量级主体检测、识别模型，命令如下： ```shell cd .. mkdir models cd models # 下载检测模型并解压 # wget {检测模型下载链接} && tar -xf {检测模型压缩包名称} wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar && tar -xf general_PPLCNetV2_base_pretrained_v1.0_infer.tar # 下载识别 inference 模型并解压 #wget {识别模型下载链接} && tar -xf {识别模型压缩包名称} wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar && tar -xf picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar ``` 解压完成后，`models`文件夹下有如下文件结构： ``` ├── inference_model_name │ ├── inference.pdiparams │ ├── inference.pdiparams.info │ └── inference.pdmodel └── det_model_name ├── inference.pdiparams ├── inference.pdiparams.info └── inference.pdmodel ``` ### 2.4 场景库识别与检索以`动物识别`场景为例，展示识别和检索过程（如果希望尝试其他场景库的识别与检索效果，在下载解压好对应的场景库数据和模型后，替换对应的配置文件即可完成预测）。注意，此部分使用了`faiss`作为检索库，安装方法如下： ```shell pip install faiss-cpu==1.7.1post2 ``` 若使用时，不能正常引用，则`uninstall`之后，重新`install`，尤其是在windows下。 #### 2.4.1 识别单张图像假设需要测试`./datasets/AnimalImageDataset/Query/羚羊/0a37838e99.jpg`这张图像识别和检索效果。首先分别修改配置文件`./configs/inference_general.yaml`中的`Global.det_inference_model_dir`和`Global.rec_inference_model_dir`字段为对应的检测和识别模型文件夹，以及修改测试图像地址字段`Global.infer_imgs`示例如下： ```shell Global: infer_imgs: './datasets/AnimalImageDataset/Query/羚羊/0a37838e99.jpg' det_inference_model_dir: './models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar' rec_inference_model_dir: './models/general_PPLCNetV2_base_pretrained_v1.0_infer.tar' ``` 并修改配置文件`./configs/inference_general.yaml`中的`IndexProcess.index_dir`字段为对应场景index库地址： ```shell IndexProcess: index_dir:'./datasets/AnimalImageDataset/Index/' ``` 运行下面的命令，对图像`./datasets/AnimalImageDataset/Query/羚羊/0a37838e99.jpg`进行识别与检索 ```shell # 使用下面的命令使用 GPU 进行预测 python3.7 python/predict_system.py -c configs/inference_general.yaml # 使用下面的命令使用 CPU 进行预测 python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.use_gpu=False ``` 最终输出结果如下： ``` [{'bbox': [609, 70, 1079, 629], 'rec_docs': '羚羊', 'rec_scores': 0.6571544}] ``` 其中`bbox`表示检测出的主体所在位置，`rec_docs`表示索引库中与检测框最为相似的类别，`rec_scores`表示对应的置信度。检测的可视化结果也保存在`output`文件夹下，对于本张图像，识别结果可视化如下所示。 ![](../../../images/ppshitu_application_scenarios/systerm_result.jpg) #### 2.4.2 基于文件夹的批量识别如果希望预测文件夹内的图像，可以直接修改配置文件中`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_system.py -c configs/inference_general.yaml -o Global.infer_imgs="./datasets/AnimalImageDataset/Query/羚羊" ``` 终端中会输出该文件夹内所有图像的识别结果，如下所示。 ``` ... [{'bbox': [0, 0, 1200, 675], 'rec_docs': '羚羊', 'rec_scores': 0.6153812}] [{'bbox': [0, 0, 275, 183], 'rec_docs': '羚羊', 'rec_scores': 0.77218026}] [{'bbox': [264, 79, 1088, 850], 'rec_docs': '羚羊', 'rec_scores': 0.81452656}] [{'bbox': [0, 0, 188, 268], 'rec_docs': '羚羊', 'rec_scores': 0.637074}] [{'bbox': [118, 41, 235, 161], 'rec_docs': '羚羊', 'rec_scores': 0.67315465}] [{'bbox': [0, 0, 175, 287], 'rec_docs': '羚羊', 'rec_scores': 0.68271667}] [{'bbox': [0, 0, 310, 163], 'rec_docs': '羚羊', 'rec_scores': 0.6706451}] ... ``` 所有图像的识别结果可视化图像也保存在`output`文件夹内。