PP-LCNet 图像分类实战指南基于 PaddleHub 使用 pplcnet_x2_5_imagenet 完成推理与服务部署【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址: https://gitcode.com/gh_mirrors/pa/PaddleFormers本篇技术指南以 PaddleFormers 仓库中的pplcnet_x2_5_imagenet模型模块为对象系统讲解 PP-LCNet 轻量级骨干网络的背景、PaddleHub 模块的安装方式、命令行与 Python API 两种预测形态以及基于 PaddleHub Serving 的在线服务部署全流程。读完本文你将能够独立完成该模型的安装、单图与批量推理、参数调优batch_size / top_k / GPU 开关以及 HTTP 服务化调用并能结合仓库源码理解从图像预处理、前向推理到 TopK 后处理的完整实现链路。一、模型基本信息PP-LCNet 是什么模型名称pplcnet_x2_5_imagenet类别图像-图像分类网络PPLCNet数据集ImageNet-2012是否支持 Fine-tuning否模型大小34 MB最新更新日期2022-04-02数据指标AccPP-LCNetPP-LiteConvNet是百度针对 Intel CPU 设备及其加速库 MKLDNN 设计的特定骨干网络。与同期其他轻量级 SOTA 模型相比该骨干网络可以在不增加推理时间的前提下进一步提升模型性能从而在整体上超越已有的轻量级方案。本模块对应scale参数为x2.5的放大版本在 PP-LCNet 系列仓库中同时收录了 x0.25 / x0.35 / x0.5 / x0.75 / x1.0 / x1.5 / x2.0 等多个规模见 modules/image/classification 目录中属于通道最宽的型号之一模型体积约 34 MB。关于模型结构的更多信息可参考论文 PP-LCNet: A Lightweight CPU Convolutional Neural NetworkarXiv:2109.15099本文不展开其完整理论细节聚焦于工程使用。1.1 从源码看网络结构仓库中的 model.py 给出了 PP-LCNet 的完整 Paddle 实现其核心设计在NET_CONFIG中清晰可见——每个元素表示一个深度可分离卷积块字段含义依次为kernel_size / in_c / out_c / stride / use_seblocks21 个块3×3 卷积16→32 通道stride 1blocks32 个块32→64 通道首个 stride 2 下采样blocks42 个块64→128 通道blocks56 个块128→256 通道其中 4 个块使用 5×5 卷积核blocks62 个块256→512 通道且均启用 SESqueeze-and-Excitation注意力模块。在PPLCNet_x2_5()工厂函数中通过PPLCNet(scale2.5, ...)将上述基准通道数乘以 2.5并经make_divisible对齐到 8 的倍数从而得到 x2.5 规模的网络。每个DepthwiseSeparable块由「深度卷积DW Conv 可选 SE 逐点卷积PW Conv」组成配合ConvBNLayer中卷积后接 BatchNorm 与 HardSwish 激活的经典组合分类头则由全局平均池化、1×1 卷积扩维class_expand1280、HardSwish、Dropout 与全连接层构成输出 1000 类ImageNet-2012得分。二、安装与环境准备2.1 环境依赖paddlepaddle 1.6.2PaddlePaddle 深度学习框架运行时paddlehub 1.6.0PaddleHub 模型管理与推理工具安装方式可参考 PaddleHub 安装文档。2.2 安装模型模块通过 PaddleHub 的hub install命令一键安装模型$ hub install pplcnet_x2_5_imagenet如需安装指定版本可在模块名后追加版本号$ hub install pplcnet_x2_5_imagenet1.0.0如安装过程中遇到问题可参考不同平台的零基础安装指引零基础 Windows 安装、零基础 Linux 安装、零基础 MacOS 安装。2.3 模块加载时的初始化逻辑安装完成后hub.Module(namepplcnet_x2_5_imagenet)会触发模块的__init__见 module.py其核心动作包括通过get_config()实现在 utils.py读取模块内置的 YAML 推理配置含Infer.transforms预处理算子列表定位 ImageNet-1K 标签文件imagenet1k_label_list.txt与预训练权重PPLCNet_x2_5_pretrained.pdparams实例化PPLCNet_x2_5网络并调用paddle.loadset_dict载入权重依据配置中的Infer.transforms构造预处理算子链preprocess_funcs。也就是说模型权重与标签文件随模块打包分发用户无需自行准备 checkpoint。三、模型 API 预测3.1 命令行预测安装完成后可直接通过命令行对单张图片进行分类预测$ hub run pplcnet_x2_5_imagenet --input_path /PATH/TO/IMAGE该命令由runnable装饰的run_cmd方法支撑见 module.py命令行同时支持以下可选参数--use_gpu是否使用 GPU 推理默认 False使用 CPU--batch_size批大小默认 1--top_k返回置信度最高的前 k 个类别默认 1。关于 PaddleHub 命令行指令的更多用法可参考 PaddleHub 命令行指令文档。3.2 预测代码示例在 Python 中以编程方式调用同样十分简洁import paddlehub as hub import cv2 classifier hub.Module(namepplcnet_x2_5_imagenet) result classifier.classification(images[cv2.imread(/PATH/TO/IMAGE)]) # or # result classifier.classification(paths[/PATH/TO/IMAGE])注意images分支要求传入 BGR 颜色空间的 numpy 数组cv2.imread的默认输出即 BGR模块内部会自动完成 BGR→RGB 翻转paths分支则直接传入图片文件路径列表内部同样使用cv2.imread读取后转 RGB。3.3 classification API 详解def classification(imagesNone, pathsNone, batch_size1, use_gpuFalse, top_k1):参数说明参数类型说明imageslist[numpy.ndarray]图片数据列表每个元素的 shape 为 [H, W, C]颜色空间为 BGRpathslist[str]图片路径列表与images二选一两者同时为 None 时返回提示并不执行batch_sizeint批大小控制每次送入模型推理的图片数量use_gpubool是否使用 GPU若使用 GPU请先设置CUDA_VISIBLE_DEVICES环境变量top_kint返回预测结果中置信度最高的前 k 个类别返回值res(list[dict])分类结果列表每个元素为字典包含三个 keyclass_ids类别索引int 列表scores对应置信度保留 5 位小数label_names类别名称来自 ImageNet-1K 标签映射文件。3.4 源码视角classification 的执行链路从 module.py 的classification实现可以看到完整推理流水线设备设置调用paddle.disable_static()进入动态图模式并按use_gpu选择gpu:0或cpu输入收集遍历imagesBGR→RGB 翻转或pathscv2.imread后翻转得到输入列表预处理对每张图依次执行preprocess_funcs中的算子见 processor.py典型链路为ResizeImage按短边等比缩放到指定尺寸→CropImage中心裁剪到 224×224→NormalizeImagescale1/255ImageNet 均值 [0.485, 0.456, 0.406]、方差 [0.229, 0.224, 0.225]→ToCHWImageHWC→CHW分批推理按batch_size聚合数据为paddle.Tensor后送入模型兼容模型返回 list、logits或output三种输出形态TopK 后处理调用Topk算子对 logits 做softmaxaxis-1得到概率按概率降序取前top_k个索引再通过标签映射文件把索引转换为label_names最终拼装为{class_ids, scores, label_names}字典列表返回。其中create_operators采用「配置驱动」的设计读取 YAML 中Infer.transforms的算子名与参数列表动态实例化对应预处理类这也是 PaddleClas 风格配置体系在该模块中的体现。四、服务部署PaddleHub ServingPaddleHub Serving 可以将该图像分类模型部署为一个在线 HTTP 服务供其他业务系统通过 RESTful 接口调用。4.1 第一步启动 PaddleHub Serving运行如下命令$ hub serving start -m pplcnet_x2_5_imagenet命令执行后即完成一个图像识别在线服务的部署默认端口号为 8866。服务端会为每个模块创建独立的预测 worker实际进程管理与端口监听实现在 paddlehub/commands/serving.py 与 paddlehub/serving 目录中worker 数量按 CPU 核数经验公式cpu_count * 2 1计算并会向CONF_HOME写入含 PID 与模块信息的 JSON 文件以便后续管理。NOTE如使用 GPU 预测需要在启动服务之前设置CUDA_VISIBLE_DEVICES环境变量纯 CPU 推理则无需设置。4.2 第二步发送预测请求服务就绪后以下代码即可发送预测请求并获取结果。请求以 JSON 为载体图片需先编码为 base64 字符串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/pplcnet_x2_5_imagenet r requests.post(urlurl, headersheaders, datajson.dumps(data)) # 打印预测结果 print(r.json()[results])服务端收到请求后会经由模块的serving装饰方法serving_method处理见 module.py先将 base64 字符串通过base64_to_cv2解码为 BGR 图像数组实现见 processor.py再调用classification完成推理最终以 JSON 形式返回与离线 API 相同结构的results列表。五、更新历史1.0.0初始发布提供 ImageNet-2012 预训练权重、标签映射与完整推理/服务化能力。六、快速索引仓库内相关资源模块入口与 API 实现modules/image/classification/pplcnet_x2_5_imagenet/module.pyPP-LCNet 网络结构定义modules/image/classification/pplcnet_x2_5_imagenet/model.py预处理算子与 TopK 后处理modules/image/classification/pplcnet_x2_5_imagenet/processor.py配置解析工具modules/image/classification/pplcnet_x2_5_imagenet/utils.pyServing 命令实现paddlehub/commands/serving.py同系列不同 scale 的模型x0.25 至 x2.0modules/image/classification 下各pplcnet_x*_imagenet目录综上pplcnet_x2_5_imagenet是一个开箱即用的 CPU 友好型图像分类模块从hub install安装、hub run命令行预测、Python API 批量推理到hub serving start服务化部署整个生命周期都有清晰、可验证的工程路径适合在资源受限或 CPU 推理场景下快速落地 ImageNet 1000 类图像分类能力。【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址: https://gitcode.com/gh_mirrors/pa/PaddleFormers创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考