PaddleHub 图像分类模型 resnet_v2_101_imagenet：安装、命令行预测与 Python API 实战指南

人工智能大模型微调模型推理服务【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点击查看免费下载本文以 PaddleFormers 仓库中modules/image/classification/resnet_v2_101_imagenet模块文档为核心系统讲解基于 ImageNet-2012 训练的 ResNet V2 101 图像分类模型在 PaddleHub 中的完整使用流程从环境依赖与安装、命令行与 Python 接口预测到分类 API 的参数与返回格式并结合仓库中同族模块源码深入剖析模型的输入预处理与底层实现。读完本文你将能够在自己的图片上直接运行该模型完成 Top-K 图像分类预测并理解其数据流与调用原理。一、模型基本信息resnet_v2_101_imagenet是 PaddleHub 提供的一个预训练图像分类模块其基本信息如下表所示数据来源于 模块文档项目内容模型名称resnet_v2_101_imagenet类别图像-图像分类网络ResNet V2 101数据集ImageNet-2012是否支持 Fine-tuning否模型大小173MB最新更新日期-数据指标-该模块面向开箱即用的推理场景模型基于 ImageNet-2012 数据集训练完成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。从仓库结构看该模块属于 PaddleHub 早期1.x 版本时代发布的模块目录内仅保留 README.md 与 README_en.md模块本体通过hub install从 PaddleHub 服务端拉取而仓库中同族的resnet34_v2_imagenet、resnet101_vd_imagenet等模块则保留了完整的 module.py 源码可用于印证本模块的实现细节。二、ResNet 与残差单元模型背景与源码印证ResNetResidual Network系列是图像分类领域的重要模型之一。模型中提出的**残差单元residual unit**有效解决了深度网络训练困难的问题——通过跨层短路连接shortcut让梯度能够直达浅层从而可以稳定地增加网络深度并借此提升模型的准确率。本模块的网络结构为 ResNet-101即 101 层的残差网络。仓库中同族模块的源码可以印证 ResNet-101 的经典四阶段堆叠结构在 resnet101_vd_imagenet/module.py 中ResNet-101 的网络层数配置为depth [3, 4, 23, 3] # 四个 stage 中 bottleneck block 的个数 num_channels [64, 256, 512, 1024] num_filters [64, 128, 256, 512]可以看到ResNet-101 的核心特点在于第三个 stage 堆叠了 23 个 Bottleneck 模块3 4 23 3 33 个 block加上首层卷积与全连接层构成 101 层网络。在 resnet34_v2_imagenet/resnet.py 中还可以看到不同深度的残差网络配置表self.depth_cfg { 34: ([3, 4, 6, 3], self.basicblock), 50: ([3, 4, 6, 3], self.bottleneck), }而 ResNet-101 将[3, 4, 6, 3]中第三 stage 的 block 数扩展为 23从而在不过度增加计算量的前提下显著加深网络这是 ResNet 系列以深度换精度的代表性设计。需要说明的是本文模块的输入输出约定为 224 x 224 x 3对应 ImageNet 分类任务的通用输入尺寸。三、环境依赖与模块安装1. 环境依赖运行resnet_v2_101_imagenet模块需要满足以下环境要求paddlepaddle 1.4.0PaddlePaddle 深度学习框架负责模型的底层计算paddlehub 1.0.0PaddleHub 模型管理工具负责模块的下载、安装与调用。PaddleHub 的安装方式可参考 docs/docs_ch/get_start/installation.rst英文版见 docs/docs_en/get_start/installation.rst。2. 安装模块执行以下命令即可从 PaddleHub 服务端安装该模块$ hub install resnet_v2_101_imagenet安装完成后模块即被注册到本地 PaddleHub 环境后续可通过命令行或 Python 接口直接调用。安装遇到问题怎么办可以分别参考零基础安装指南零基础 Windows 安装零基础 Linux 安装零基础 MacOS 安装如果需要安装指定历史版本例如 1.0.1可以显式指定版本号$ hub install resnet_v2_101_imagenet1.0.1四、命令行预测安装完成后最简单的方式是通过 PaddleHub 命令行直接对单张图片进行分类预测$ hub run resnet_v2_101_imagenet --input_path /PATH/TO/IMAGE其中/PATH/TO/IMAGE替换为本地待预测图片的绝对路径。命令执行后模型会输出该图片的分类结果label及其对应的概率。从仓库中同族模块的源码如 resnet34_v2_imagenet/module.py可以推断命令行模式还支持以下常用参数可用于更灵活的批处理场景--input_path指定单张输入图片路径--input_file指定一个文本文件文件中逐行列出多张图片路径实现批量预测解析逻辑可参考paddlehub.io.parser.txt_parser--use_gpu是否使用 GPU 进行预测布尔值默认为False--batch_size预测时的批大小默认为 1。PaddleHub 命令行的完整用法如hub run的通用参数与行为可参考 docs/docs_ch/tutorial/cmd_usage.rst。五、Python 接口预测1. 预测代码示例在 Python 脚本中通过hub.Module加载模块并调用classification接口完成预测import paddlehub as hub import cv2 classifier hub.Module(nameresnet_v2_101_imagenet) test_img_path /PATH/TO/IMAGE input_dict {image: [test_img_path]} result classifier.classification(datainput_dict)代码要点hub.Module(nameresnet_v2_101_imagenet)按名称加载本地已安装模块返回模块实例input_dict {image: [test_img_path]}构造输入字典key 为imagevalue 为图片路径构成的 listclassifier.classification(datainput_dict)执行分类推理返回结果列表。注代码示例中的import cv2是早期模块的常规依赖引入在当前预测流程中核心依赖为paddlehub与paddlepaddle。2. classification API 详解def classification(data)功能图像分类接口 API。参数datadict 类型。key 为imagestr 类型value 为待检测的图片路径列表list 类型。即支持一次传入多张图片进行批量预测。返回值resultlist 类型长度与输入图片数量一致。每个元素为对应输入图片的预测结果是 dict 类型key 为该图片的分类结果 labelvalue 为该 label 对应的概率。例如单张图片的返回值形如[{goldfish: 0.9234, tench: 0.0312}] # 示意结构实际 label 以模型输出为准3. 从同族源码看 classification 的更多参数仓库中resnet34_v2_imagenet模块保留了完整的classification实现见 resnet34_v2_imagenet/module.py其签名如下可作为理解本模块内部行为的参考def classification(self, pathsNone, imagesNone, use_gpuFalse, batch_size1, top_k2):paths图片路径列表list 类型每个元素为一张图片的路径images直接传入的图片数据numpy.ndarray形状为[N, H, W, C]与paths二选一use_gpu是否使用 GPUbool 类型batch_size预测批大小int 类型默认 1top_k返回概率最高的前 k 个分类结果int 类型默认 2内部被限制在[1, 1000]区间内。从源码可以看出classification内部会懒加载推理程序context(...)构建网络并将infer_prog克隆为测试模式通过数据读取器test_reader逐张读取并预处理图片按batch_size分批次执行预测器CPU/GPU 二选一对输出概率np.argsort(res)[::-1][:top_k]取 Top-K将类别索引映射为label_file.txt中的类别名组装成{label: prob}字典返回。六、输入预处理流程224 x 224 背后发生了什么文档明确说明该模块接受224 x 224 x 3的输入图片。仓库中同族模块的 data_feed.py 完整实现了这一预处理管线可作为本模块预处理流程的直接参考DATA_DIM 224 img_mean np.array([0.485, 0.456, 0.406]).reshape((3, 1, 1)) img_std np.array([0.229, 0.224, 0.225]).reshape((3, 1, 1))预处理步骤依次为resize_short(img, 256)将图片短边缩放至 256保持宽高比使用Image.LANCZOS高质量重采样crop_image(img, 224, centerTrue)从缩放后的图片中央裁剪 224 x 224 区域预测阶段采用中心裁剪保证结果可复现RGB 转换若图片非 RGB 模式则先转换为 RGB归一化像素值除以 255 缩放到[0, 1]再按 ImageNet 统计的均值[0.485, 0.456, 0.406]与标准差[0.229, 0.224, 0.225]做标准化即(x / 255 - mean) / std。上述均值/标准差同样出现在 resnet34_v2_imagenet/module.py 的get_pretrained_images_mean/std方法中是 ResNet 系列 ImageNet 预训练模型的通用预处理约定。也就是说无论你传入的原始图片尺寸是多少模型都会先等比缩放再中心裁剪到 224 x 224 后送入网络——因此输入图片并不需要预先裁好。七、模型族与迁移学习扩展阅读resnet_v2_101_imagenet属于 PaddleHub 图像分类模型大家族。仓库modules/image/classification/下还包含大量同族或同任务模块便于横向对比与选型ResNet V2 系列resnet_v2_18_imagenet、resnet_v2_34_imagenet、resnet_v2_50_imagenet、resnet_v2_152_imagenetResNet 及变体resnet101_imagenet、resnet101_vd_imagenetVD 变体含完整源码、resnet50_vd_imagenet_ssld 等同任务模块VGG、MobileNet、EfficientNet、DenseNet、HRNet 等覆盖不同精度与速度档位。值得注意的是虽然本文模块文档标注不支持 Fine-tuning但仓库中同族的resnet34_v2_imagenet模块在 module.py 中提供了context(...)接口可通过trainable、pretrained、param_prefix、feature_maps等参数抽取骨干网络特征用于迁移学习。从源码结构可以推断需要做下游任务微调时可优先选用带完整源码且支持context接口的模块此外 demo/image_classification/train.py 给出了基于hub.Modulepaddlehub.finetune.trainer.Trainer的完整微调示例以resnet50_vd_imagenet_ssld为例可作为自定义数据集分类训练的参考模板。八、更新历史1.0.0初始发布。1.0.1修复 Python 2 中的编码问题。如需使用该版本安装命令为$ hub install resnet_v2_101_imagenet1.0.1总结resnet_v2_101_imagenet是一个开箱即用的 ImageNet-2012 预训练图像分类模块安装仅需一条hub install命令预测支持hub run命令行与 Pythonclassification接口两种方式返回 Top-K 的{类别: 概率}结果。其背后的 ResNet-101 残差网络结构、224 x 224 中心裁剪与 ImageNet 归一化预处理均可通过仓库中同族模块的 module.py、resnet.py 与 data_feed.py 源码逐一印证。对于需要将 ImageNet 分类能力快速集成到自身图像处理流程的开发者这是一个低成本、易上手的起点。赞分享人工智能大模型微调模型推理服务【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点击查看免费下载相关推荐PaddleHub resnet_v2_101_imagenet 图像分类模块安装、命令行与 Python API 实战指南PaddleHub resnet_v2_101_imagenet 图像分类模块安装、命令行与 Python API 实战指南 本文是一份围绕 PaddleHu人工智能大模型微调模型推理服务PaddleHub dpn131_imagenet 图像分类模型使用指南安装、命令行与 Python API 预测实战PaddleHub dpn131_imagenet 图像分类模型使用指南安装、命令行与 Python API 预测实战 本指南以 PaddleFormers人工智能大模型微调模型推理服务PaddleHub 图像分类实战resnext101_vd_64x4d_imagenet 模块安装、命令行与 Python API 预测指南PaddleHub 图像分类实战resnext101_vd_64x4d_imagenet 模块安装、命令行与 Python API 预测指南 本文围绕 Pad人工智能大模型微调模型推理服务创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考