“图像分类”作为人工智能领域的重要基础任务,早已在安防监控、智慧交通、医疗影像诊断甚至社交娱乐等行业被广泛应用，成为AI从业者的“必备技能”，例如安防系统中的人体属性识别；文档电子化、卡证识别中的图片方向校准；辅助驾驶中的交通标识、红绿灯状态识别等等，都离不开图像分类技术的支持。
图1 PaddleClas图像分类应用示意图
然而，在实际产业应用中，想要得到一个既快又好的分类模型依然面临很多挑战：
大模型精度-速度难以兼顾
从大名鼎鼎的Resnet50到如今火热的Swin-Transformer，模型精度不断被刷新，但是预测效率并不高。使用Swin-Transformer最小的模型在CPU上预测速度也超过100ms，远远无法满足实时需求。
轻量化模型优化困难
虽然使用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。
模型优化落地困难
想要得到性能理想的模型往往需要经过反复的调优操作和重新训练，即使是高频业务场景可参考的实践教程也极少，项目落地不仅耗时长，难度也很大。
近期，飞桨图像分类开发套件 PaddleClas 推出的超轻量图像分类方案（Practical Ultra Light Classification，简称PULC），就可以完美解决上述产业落地中的难点。只需一行命令，就可完成模型训练，得到精度上与Swin-Transformer等大模型比肩的超轻量图像分类模型，预测速度加速30倍以上，CPU上仅需2ms。
表1 不同模型精度速度结果对比
同时基于这套方案，PaddleClas 团队还发布了人、车、OCR相关的9大场景模型，并且提供了极致简单、统一的使用方式，仅需2步就能实现业务 POC 效果验证，训练、推理、部署一条龙，极大降低应用门槛，真正实现“开箱即用”。
图2 9大场景模型效果示意图
传送门：
https://github.com/PaddlePaddle/PaddleClas
超轻量图像分类方案核心技术介绍
超轻量图像分类方案（PULC）和核心技术主要包括4个优化策略，如下图所示。
图3 超轻量图像分类方案（PULC）示意图
PP-LCNet轻量级骨干网络
PP-LCNet作为针对CPU量身打造的骨干网络模型，在速度、精度方面均远超如MobileNetV3等同体量算法，多个场景模型优化后，速度较SwinTransformer的模型快30倍以上，精度较MobileNetV3_small_0.35x高18个点。
SSLD预训练权重
SSLD半监督蒸馏算法可以使小模型学习到大模型的特征和ImageNet22k无标签大规模数据的知识。在训练小模型时，使用SSLD预训练权重作为模型的初始化参数，可以使不同场景的应用分类模型获得1-2.5个点的精度提升。
数据增强策略集成
该方案融合了图像变换、图像裁剪和图像混叠3种数据增强方法，并支持自定义调整触发概率，能使模型的泛化能力大大增强，提升模型在实际场景中的性能。模型可以在上一步的基础上，精度再提升1个点左右。
SKL-UGI知识蒸馏算法
SKL(symmetric-KL)在经典的KL知识蒸馏算法的基础上引入对称信息，提升了算法的鲁棒性。同时，该方案可以方便的在训练中加入无标签训练数据（Unlabeled General Image），可以进一步提升模型效果。该算法可以使模型精度继续提升1-2个点。
PaddleClas产业落地工具集
考虑到真实产业应用面对的各种软硬件环境和不同的场景需求，本次升级同时发布了PaddleClas产业落地工具集。针对图像分类任务，打通20种训练部署软硬件环境与方式，包括3种训练方式、5种训练环境、3种模型压缩策略、和9种推理部署方式，如下表所示。
表2 图像分类产业落地工具集支持的训练推理部署功能列表
其中特色能力如下：
01
分布式训练
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。
02
模型压缩
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%。
03
移动端/边缘端部署
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。
以上所有模型、代码均在PaddleClas中开源提供，还有超详细文档教程和范例项目，赶紧查看全部开源代码并Star收藏吧~
链接指路：https://github.com/PaddlePaddle/PaddleClas
