\u200E
PaddleHub
便捷地获取PaddlePaddle生态下的预训练模型,完成模型的管理和一键预测。配合使用Fine-tune API,可以基于大规模预训练模型快速完成迁移学习,让预训练模型能更好地服务于用户特定场景的应用
零基础快速开始
efficientnetb2_imagenet
类别图像 - 图像分类
网络EfficientNet
数据集ImageNet-2012
模型概述
EfficientNet 是谷歌的开源新模型,论文在 ICML 2019 发表。 该模型从如何权衡网络的深度、宽度以及分辨率出发提出了复合扩展方法,使用了一个复合系数通过一种规范化的方式统一对网络的深度、宽度以及分辨率进行扩展。 EfficientNet 的基线网络是一个轻量级网络,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。EfficientNet 系列模型先在小的基线网络使用网格搜索,然后直接使用不同的复合系数进行扩展,从而有效地减少了模型参数,提高了图像识别效率。 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。
选择模型版本进行安装
1.2.0 (最新版)
$ hub install efficientnetb2_imagenet==1.2.0

efficientnetb2_imagenet

模型名称efficientnetb2_imagenet
类别图像-图像分类
网络EfficientNet
数据集ImageNet-2012
是否支持Fine-tuning
模型大小38MB
最新更新日期-
数据指标-

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