PaddleClas 發版 v2.5，帶來全新升級的 PP-ShituV2 輕量級圖像識別系統。歡迎廣大開發者使用 NVIDIA 與飛槳聯合深度適配的 NGC 飛槳容器在 NVIDIA GPU 上體驗！

1. PaddleClas v2.5 版本升級

圖像識別作為深度學習算法的主流實踐應用方向，早已在生活的各個領域發揮作用。如安全檢查、身份核驗時的人臉識別；無人貨架、智能零售柜中的商品識別，其背后的關鍵技術都在于此。

然而實現理想的識別效果卻并不容易:

針對海量數據，不同場景均實現優秀的表征能力，能否一套方案全搞定？

不同物品的差別極其微小，或者同類物品由于受到外界干擾卻呈現不同形態，究竟如何進行有效區分？

識別需求更新頻繁，使用單一模型必須不斷重訓模型，怎樣才能降低開發成本，快速跟上迭代步伐？

此次 PaddleClas 最新升級發布的通用圖像識別系統 PP-ShiTuV2 完美解決以上難點，無需訓練，一套模型即可完成 20+ 高頻場景的圖像識別；對于新增類別更是只需兩步即可添加入庫，實現精準識別。

圖2 PP-ShiTuV2覆蓋場景列表

項目鏈接:

https://github.com/PaddlePaddle/PaddleClas

1.1 PP-StructureV2 智能文檔分析系統優化策略概述

這樣的特殊能力，得益于 PP-ShiTuV2 通過集合目標檢測、度量學習、圖像檢索等技術，形成完整的圖像識別系統；但其中每個模塊又相互解耦，并將每個模塊性能最大化，結合自研 PP系列骨干網絡，才實現了僅 15M 的 All-in-One 超輕量圖像識別系統。

圖3 PP-ShiTuV2 結構示意圖

輕量骨干網絡 PP-LCNet v2，配合 SSLD 蒸餾算法，模型精度大幅提升。

超輕量主體檢測算法 PP-PicoDet，快速檢測出圖像中的目標物體。

基于 ReID Strong Baseline 等方法，對特征提取模塊進一步優化，精度提升 8 個點。

表1 PP-ShiTuV2 性能對比

2. NGC 飛槳容器介紹

如果您希望體驗 PaddleOCRv2.6 的新特性，歡迎使用 NGC 飛槳容器。NVIDIA 與百度飛槳合作開發了 NGC 飛槳容器，將最新版本的飛槳與最新的 NVIDIA 的軟件棧（如 CUDA）進行了無縫的集成與性能優化，最大程度的釋放飛槳框架在 NVIDIA 最新硬件上的計算能力。這樣，用戶不僅可以快速開啟 AI 應用，專注于創新和應用本身，還能夠在 AI 訓練和推理任務上獲得飛槳+NVIDIA 帶來的飛速體驗。

最佳的開發環境搭建工具 - 容器技術。

容器其實是一個開箱即用的服務器。極大降低了深度學習開發環境的搭建難度。例如你的開發環境中包含其他依賴進程（redis，MySQL，Ngnix，selenium-hub等等），或者你需要進行跨操作系統級別的遷移。

容器鏡像方便了開發者的版本化管理

容器鏡像是一種易于復現的開發環境載體

容器技術支持多容器同時運行

最好的 PaddlePaddle 容器

NGC 飛槳容器針對 NVIDIA GPU 加速進行了優化，并包含一組經過驗證的庫，可啟用和優化 NVIDIA GPU 性能。此容器還可能包含對 PaddlePaddle 源代碼的修改，以最大限度地提高性能和兼容性。此容器還包含用于加速 ETL（DALI, RAPIDS）、訓練（cuDNN, NCCL）和推理（TensorRT）工作負載的軟件。

PaddlePaddle 容器具有以下優點：

適配最新版本的 NVIDIA 軟件棧（例如最新版本CUDA），更多功能，更高性能。

更新的 Ubuntu 操作系統，更好的軟件兼容性

按月更新

滿足 NVIDIA NGC 開發及驗證規范，質量管理

通過飛槳官網快速獲取

環境準備

使用 NGC 飛槳容器需要主機系統（Linux）安裝以下內容：

Docker 引擎

NVIDIA GPU 驅動程序

NVIDIA 容器工具包

有關支持的版本，請參閱NVIDIA 框架容器支持矩陣和NVIDIA 容器工具包文檔。

不需要其他安裝、編譯或依賴管理。無需安裝 NVIDIA CUDA Toolkit。

NGC 飛槳容器正式安裝：

要運行容器，請按照 NVIDIA Containers For Deep Learning Frameworks User’s Guide 中Running A Container一章中的說明發出適當的命令，并指定注冊表、存儲庫和標簽。有關使用 NGC 的更多信息，請參閱 NGC 容器用戶指南。如果您有 Docker 19.03 或更高版本，啟動容器的典型命令是：

編輯：黃飛