3毫秒极速识别，一个4.1k Satr的开源项目

人脸、车辆、人体属性、卡证、交通标识等经典图像识别能力，在我们当前数字化工作及生活中发挥着极其重要的作用。业内也不乏顶尖公司提供的可直接调用的API、SDK，但这些往往面临着定制化场景泛化效果不好、价格昂贵、黑盒可控性低、技术壁垒难以形成多诸多痛点。

话不多说，赶紧送上传送门，识货的小伙伴赶紧尝试一下吧！

图2 9大场景模型效果示意图

而使用MobileNet系列等轻量化模型可以保证较高的预测效率，在CPU上预测一张图像大约3ms，但是模型精度往往和大模型有很大差距。

PaddleClas推出的超轻量图像分类方案(Practical Ultra Light Classification，简称PULC)，就完美解决上述产业落地中算法精度和速度难以平衡的痛点。

表1 不同模型精度速度结果对比

如图所示，它的精度与Swin-Transformer等大模型比肩，预测速度却可以快30倍以上，在CPU上的推理时长仅需2ms！

与此同时，PaddleClas 团队还发布了包括人、车、OCR在内的9大场景模型，仅需2步就能实现业务 POC 效果验证，训练、推理、部署一条龙，真正实现“开箱即用”。

不仅如此，项目还匹配了详细的中文使用文档及产业实践范例教程。

图3 使用文档及范例示意图

图4 超轻量图像分类方案（PULC）示意图

其中值得高度关注的有：

飞桨分布式训练架构具备4D混合并行、端到端自适应分布式训练等多项特色技术。在PP-LCNet训练中，4机8卡相较于单机8卡加速比达到3.48倍，加速效率87%，精度无损。

飞桨模型压缩工具PaddleSlim功能完备，覆盖模型裁剪、量化、蒸馏和NAS。图像分类模型经过量化裁剪后，移动端平均预测耗时减少24%。

飞桨轻量化推理引擎Paddle Lite适配了20+ AI 加速芯片，可以快速实现图像分类模型在移动设备、嵌入式设备和IOT设备等高效设备的部署。

若觉得文章对你有帮助，随手转发分享，也是我们继续更新的动力。