From 4c3e413f175e38718677d87ae69e35844ab15925 Mon Sep 17 00:00:00 2001 From: littletomatodonkey <2120160898@bit.edu.cn> Date: Tue, 28 Apr 2020 21:19:46 +0800 Subject: [PATCH] add new cls repo link (#4575) * add new cls link * fix content * fix cv readme * fix moodels readme --- PaddleCV/README.md | 45 +++++++++------------- PaddleCV/image_classification/README.md | 3 ++ PaddleCV/image_classification/README_en.md | 2 + README.md | 42 ++++++++++---------- 4 files changed, 45 insertions(+), 47 deletions(-) diff --git a/PaddleCV/README.md b/PaddleCV/README.md index bbce4843..6b9a2913 100644 --- a/PaddleCV/README.md +++ b/PaddleCV/README.md @@ -12,30 +12,23 @@ PaddleCV全景图： 图像分类 -------- +> 注意：图像分类内容已迁移至新的github地址：[https://github.com/PaddlePaddle/PaddleClas](https://github.com/PaddlePaddle/PaddleClas)，欢迎大家去新的代码仓库中，查看与阅读更多关于图像分类的详细介绍以及新功能。 + 图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层视觉任务的基础，在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。 -在深度学习时代，图像分类的准确率大幅度提升，在图像分类任务中，我们向大家介绍了如何在经典的数据集ImageNet上，训练常用的模型，包括AlexNet、VGG、ResNet、ResNeXt、Inception、MobileNet、SENet、DarkNet、SqueezeNet、ShuffleNet、Res2Net、DenseNet、DPN、EfficientNet、HRNet、AutoDL、ResNet-ACNet等系列模型，也开源了共105个[预训练模型](./image_classification/README.md#已发布模型及其性能)方便用户下载使用。 - -- [AlexNet](./image_classification/models) -- [SqueezeNet](./image_classification/models) -- [VGG Series](./image_classification/models) -- [GoogleNet](./image_classification/models) -- [ResNet Series](./image_classification/models) -- [ResNeXt Series](./image_classification/models) -- [ShuffleNet Series](./image_classification/models) -- [DenseNet Series](./image_classification/models) -- [Inception Series](./image_classification/models) -- [MobileNet Series](./image_classification/models) -- [SENet Series](./image_classification/models) -- [DarkNet](./image_classification/models) -- [ResNeXt101_wsl Series](./image_classification/models) -- [Res2Net Series](./image_classification/models) -- [DenseNet Series](./image_classification/models) -- [DPN Series](./image_classification/models) -- [EfficientNet Series](./image_classification/models) -- [HRNet Series](./image_classification/models) -- [AutoDL Series](./image_classification/models) -- [ResNet-ACNet Series](./image_classification/models) +在深度学习时代，图像分类的准确率大幅度提升，在图像分类任务中，我们向大家介绍了如何在经典的数据集ImageNet上，训练常用的模型，包括AlexNet、VGG、ResNet、ResNeXt、Inception、MobileNet、SENet、DarkNet、SqueezeNet、ShuffleNet、Res2Net、DenseNet、DPN、EfficientNet、HRNet、AutoDL、ResNet-ACNet等系列模型，也开源了共117个[预训练模型](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html)方便用户下载使用。 + + +- [ResNet及其Vd系列](https://paddleclas.readthedocs.io/zh_CN/latest/models/ResNet_and_vd.html) +- [SEResNeXt与Res2Net系列](https://paddleclas.readthedocs.io/zh_CN/latest/models/SEResNext_and_Res2Net.html) +- [Inception系列](https://paddleclas.readthedocs.io/zh_CN/latest/models/Inception.html) +- [HRNet系列](https://paddleclas.readthedocs.io/zh_CN/latest/models/HRNet.html) +- [DPN与DenseNet系列](https://paddleclas.readthedocs.io/zh_CN/latest/models/DPN_DenseNet.html) +- [EfficientNet与ResNeXt101_wsl系列](https://paddleclas.readthedocs.io/zh_CN/latest/models/EfficientNet_and_ResNeXt101_wsl.html) +- [移动端模型](https://paddleclas.readthedocs.io/zh_CN/latest/models/Mobile.html) +- [其他模型](https://paddleclas.readthedocs.io/zh_CN/latest/models/Others.html) + +更多分类模型训练技巧和图像增广、知识蒸馏等高阶使用内容可以参考PaddleClas的github地址([https://github.com/PaddlePaddle/PaddleClas](https://github.com/PaddlePaddle/PaddleClas))与文档([https://paddleclas.readthedocs.io/zh_CN/latest/index.html](https://paddleclas.readthedocs.io/zh_CN/latest/index.html))。 目标检测 @@ -74,10 +67,10 @@ PaddleCV全景图： - [U-Net](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_unet.md) - [ICNet](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_icnet.md) -- [PSPNet](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_pspnet.md) -- [DeepLabv3+](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_deeplabv3plus.md) -- [HRNet](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_hrnet.md) -- [Fast-SCNN](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_fast_scnn.md) +- [PSPNet](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_pspnet.md) +- [DeepLabv3+](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_deeplabv3plus.md) +- [HRNet](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_hrnet.md) +- [Fast-SCNN](https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.4.0/turtorial/finetune_fast_scnn.md) 图像生成 ----------- diff --git a/PaddleCV/image_classification/README.md b/PaddleCV/image_classification/README.md index 96468b45..c691e610 100644 --- a/PaddleCV/image_classification/README.md +++ b/PaddleCV/image_classification/README.md @@ -2,6 +2,9 @@ # 图像分类以及模型库 + +> 注意：该图像分类库已迁移至新的github地址：[https://github.com/PaddlePaddle/PaddleClas](https://github.com/PaddlePaddle/PaddleClas)，欢迎大家去新的代码仓库中，查看与阅读更多关于图像分类的详细介绍以及新功能。 + ## 内容 - [简介](#简介) - [快速开始](#快速开始) diff --git a/PaddleCV/image_classification/README_en.md b/PaddleCV/image_classification/README_en.md index 1baa86d9..959fee70 100644 --- a/PaddleCV/image_classification/README_en.md +++ b/PaddleCV/image_classification/README_en.md @@ -2,6 +2,8 @@ English | [中文](README.md) # Image Classification and Model Zoo +> Note: The image classification library is migrated to new github repository: [https://github.com/PaddlePaddle/PaddleClas](https://github.com/PaddlePaddle/PaddleClas). More details about model zoo, high-end applications and many other new features can be seen in the new repository. + ## Table of Contents - [Introduction](#introduction) diff --git a/README.md b/README.md index 6562051f..62b13a2a 100644 --- a/README.md +++ b/README.md @@ -27,30 +27,30 @@ PaddlePaddle 提供了丰富的计算单元，使得用户可以采用模块化 ### 图像分类 -[图像分类](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) 是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层视觉任务的基础，在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。 +[图像分类](https://github.com/PaddlePaddle/PaddleClas) 是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层视觉任务的基础，在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。 | **模型名称** | **模型简介** | **数据集** | **评估指标 top-1/top-5 accuracy** | | - | - | - | - | -| [AlexNet](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 首次在 CNN 中成功的应用了 ReLU, Dropout 和 LRN，并使用 GPU 进行运算加速 | ImageNet-2012验证集 | 56.72%/79.17% | -| [VGG19](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 在 AlexNet 的基础上使用 3*3 小卷积核，增加网络深度，具有很好的泛化能力 | ImageNet-2012验证集 | 72.56%/90.93% | -| [GoogLeNet](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 在不增加计算负载的前提下增加了网络的深度和宽度，性能更加优越 | ImageNet-2012验证集 | 70.70%/89.66% | -| [ResNet50](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | Residual Network，引入了新的残差结构，解决了随着网络加深，准确率下降的问题 | ImageNet-2012验证集 | 76.50%/93.00% | -| [ResNet200_vd](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 融合多种对 ResNet 改进策略，ResNet200_vd 的 top1 准确率达到 80.93% | ImageNet-2012验证集 | 80.93%/95.33% | -| [Inceptionv4](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 将 Inception 模块与 Residual Connection 进行结合，通过ResNet的结构极大地加速训练并获得性能的提升 | ImageNet-2012验证集 | 80.77%/95.26% | -| [MobileNetV1](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 将传统的卷积结构改造成两层卷积结构的网络，在基本不影响准确率的前提下大大减少计算时间，更适合移动端和嵌入式视觉应用 | ImageNet-2012验证集 | 70.99%/89.68% | -| [MobileNetV2](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | MobileNet结构的微调，直接在 thinner 的 bottleneck层上进行 skip learning 连接以及对 bottleneck layer 不进行 ReLu 非线性处理可取得更好的结果 | ImageNet-2012验证集 | 72.15%/90.65% | -| [SENet154_vd](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 在ResNeXt 基础、上加入了 SE(Sequeeze-and-Excitation) 模块，提高了识别准确率，在 ILSVRC 2017 的分类项目中取得了第一名 | ImageNet-2012验证集 | 81.40%/95.48% | -| [ShuffleNetV2](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | ECCV2018，轻量级 CNN 网络，在速度和准确度之间做了很好地平衡。在同等复杂度下，比 ShuffleNet 和 MobileNetv2 更准确，更适合移动端以及无人车领域 | ImageNet-2012验证集 | 70.03%/89.17% | -| [efficientNet](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 同时对模型的分辨率，通道数和深度。进行缩放，用极少的参数就可以达到SOTA的精度。 | ImageNet-2012验证集 | 77.38%/93.31% | -| [xception71](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 对inception-v3的改进，用深度可分离卷积代替普通卷积，降低参数量的同时提高了精度。 | ImageNet-2012验证集 | 81.11%/95.45% | -| [dpn107](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 融合了densenet和resnext的特点。 | ImageNet-2012验证集 | 80.89%/95.32% | -| [mobilenetV3_small_x1_0](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 在v2的基础上增加了se模块，并且使用hard-swish激活函数。在分类、检测、分割等视觉任务上都有不错表现。 | ImageNet-2012验证集 | 67.46%/87.12% | -| [DarkNet53](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 检测框架yolov3使用的backbone，在分类和检测任务上都有不错表现。 | ImageNet-2012验证集 | 78.04%/94.05% | -| [DenseNet161](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 提出了密集连接的网络结构，更加有利于信息流的传递。 | ImageNet-2012验证集 | 78.57%/94.14% | -| [ResNeXt152_vd_64x4d](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 提出了cardinatity的概念，用于作为模型复杂度的另外一个度量，并依据该概念有效地提升了模型精度。 | ImageNet-2012验证集 | 81.08%/95.34% | -| [SqueezeNet1_1](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification) | 提出了新的网络架构Fire Module，通过减少参数来进行模型压缩。 | ImageNet-2012验证集 | 60.08%/81.85% | - -更多图像分类模型请参考 [Image Classification](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/image_classification)。 +| [AlexNet](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 首次在 CNN 中成功的应用了 ReLU, Dropout 和 LRN，并使用 GPU 进行运算加速 | ImageNet-2012验证集 | 56.72%/79.17% | +| [VGG19](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 在 AlexNet 的基础上使用 3*3 小卷积核，增加网络深度，具有很好的泛化能力 | ImageNet-2012验证集 | 72.56%/90.93% | +| [GoogLeNet](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 在不增加计算负载的前提下增加了网络的深度和宽度，性能更加优越 | ImageNet-2012验证集 | 70.70%/89.66% | +| [ResNet50](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | Residual Network，引入了新的残差结构，解决了随着网络加深，准确率下降的问题 | ImageNet-2012验证集 | 76.50%/93.00% | +| [ResNet200_vd](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 融合多种对 ResNet 改进策略，ResNet200_vd 的 top1 准确率达到 80.93% | ImageNet-2012验证集 | 80.93%/95.33% | +| [Inceptionv4](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 将 Inception 模块与 Residual Connection 进行结合，通过ResNet的结构极大地加速训练并获得性能的提升 | ImageNet-2012验证集 | 80.77%/95.26% | +| [MobileNetV1](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 将传统的卷积结构改造成两层卷积结构的网络，在基本不影响准确率的前提下大大减少计算时间，更适合移动端和嵌入式视觉应用 | ImageNet-2012验证集 | 70.99%/89.68% | +| [MobileNetV2](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | MobileNet结构的微调，直接在 thinner 的 bottleneck层上进行 skip learning 连接以及对 bottleneck layer 不进行 ReLu 非线性处理可取得更好的结果 | ImageNet-2012验证集 | 72.15%/90.65% | +| [SENet154_vd](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 在ResNeXt 基础、上加入了 SE(Sequeeze-and-Excitation) 模块，提高了识别准确率，在 ILSVRC 2017 的分类项目中取得了第一名 | ImageNet-2012验证集 | 81.40%/95.48% | +| [ShuffleNetV2](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | ECCV2018，轻量级 CNN 网络，在速度和准确度之间做了很好地平衡。在同等复杂度下，比 ShuffleNet 和 MobileNetv2 更准确，更适合移动端以及无人车领域 | ImageNet-2012验证集 | 70.03%/89.17% | +| [efficientNet](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 同时对模型的分辨率，通道数和深度。进行缩放，用极少的参数就可以达到SOTA的精度。 | ImageNet-2012验证集 | 77.38%/93.31% | +| [xception71](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 对inception-v3的改进，用深度可分离卷积代替普通卷积，降低参数量的同时提高了精度。 | ImageNet-2012验证集 | 81.11%/95.45% | +| [dpn107](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 融合了densenet和resnext的特点。 | ImageNet-2012验证集 | 80.89%/95.32% | +| [mobilenetV3_small_x1_0](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 在v2的基础上增加了se模块，并且使用hard-swish激活函数。在分类、检测、分割等视觉任务上都有不错表现。 | ImageNet-2012验证集 | 67.46%/87.12% | +| [DarkNet53](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 检测框架yolov3使用的backbone，在分类和检测任务上都有不错表现。 | ImageNet-2012验证集 | 78.04%/94.05% | +| [DenseNet161](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 提出了密集连接的网络结构，更加有利于信息流的传递。 | ImageNet-2012验证集 | 78.57%/94.14% | +| [ResNeXt152_vd_64x4d](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 提出了cardinatity的概念，用于作为模型复杂度的另外一个度量，并依据该概念有效地提升了模型精度。 | ImageNet-2012验证集 | 81.08%/95.34% | +| [SqueezeNet1_1](https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html) | 提出了新的网络架构Fire Module，通过减少参数来进行模型压缩。 | ImageNet-2012验证集 | 60.08%/81.85% | + +更多图像分类模型请参考 [PaddleClas](https://github.com/PaddlePaddle/PaddleClas)。 ### 目标检测 -- GitLab