$ hub install efficientnetb2_imagenet==1.2.0

efficientnetb2_imagenet

一、模型基本信息

• 模型介绍

  • EfficientNet 是谷歌的开源新模型，是一个轻量级网络，它的主干网络由 MBConv 构成，同时采取了 squeeze-and-excitation 操作对网络结构进行优化。该 PaddleHub Module结构为 EfficientNetB2，基于 ImageNet-2012 数据集训练，接受输入图片大小为 224 x 224 x 3，支持直接通过命令行或者 Python 接口进行预测。

二、安装

• 1、环境依赖

  • paddlepaddle >= 1.6.2

  • paddlehub >= 1.6.0

• 2、安装

  • $ hub install efficientnetb2_imagenet

三、模型API预测

• 1、命令行预测

  • $ hub run efficientnetb2_imagenet --input_path "/PATH/TO/IMAGE"

• 2、预测代码示例

  • import paddlehub as hub
    import cv2
    
    classifier = hub.Module(name="efficientnetb2_imagenet")
    result = classifier.classification(images=[cv2.imread('/PATH/TO/IMAGE')])
    # or
    # result = classifier.classification(paths=['/PATH/TO/IMAGE'])

• 3、API

• def classification(images=None,
                     paths=None,
                     batch_size=1,
                     use_gpu=False,
                     top_k=1):

  • 分类接口API。

  • 参数

    • images (list[numpy.ndarray]): 图片数据，每一个图片数据的shape 均为 [H, W, C]，颜色空间为 BGR；
      
    • paths (list[str]): 图片的路径；
      
    • batch_size (int): batch 的大小；
      
    • use_gpu (bool): 是否使用 GPU；若使用GPU，请先设置CUDA_VISIBLE_DEVICES环境变量
      
    • top_k (int): 返回预测结果的前 k 个。

  • 返回

    • res (list[dict]): 分类结果，列表的每一个元素均为字典，其中 key 为识别的菜品类别，value为置信度。

四、服务部署

• PaddleHub Serving可以部署一个图像识别的在线服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m efficientnetb2_imagenet

  • 这样就完成了一个图像识别的在线服务的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        return base64.b64encode(data.tostring()).decode('utf8')
    
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/efficientnetb2_imagenet"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json()["results"])

五、更新历史

• 1.0.0

  初始发布

• 1.1.0

  提升预测性能以及易用性

• 1.2.0

  移除 Fluid API