图像识别作为深度学习算法的主流实践应用方向，早已在生活的各个领域发挥作用。如安全检查、身份核验时的人脸识别；无人货架、智能零售柜中的商品识别，其背后的关键技术都在于此。

然而实现理想的识别效果却并不容易:

针对海量数据，不同场景均实现优秀的表征能力，能否一套方案全搞定？

不同物品的差别极其微小，或者同类物品由于受到外界干扰却呈现不同形态，究竟如何进行有效区分？

识别需求更新频繁，使用单一模型必须不断重训模型，怎样才能降低开发成本，快速跟上迭代步伐？

此次 PaddleClas 最新升级发布的通用图像识别系统 PP-ShiTuV2 完美解决以上难点，无需训练，一套模型即可完成 20+ 高频场景的图像识别；对于新增类别更是只需两步即可添加入库，实现精准识别。

图2 PP-ShiTuV2覆盖场景列表

https://github.com/PaddlePaddle/PaddleClas

1.1 PP-ShiTuV2 图像识别系统优化策略概述

这样的特殊能力，得益于 PP-ShiTuV2 通过集合目标检测、度量学习、图像检索等技术，形成完整的图像识别系统；但其中每个模块又相互解耦，并将每个模块性能最大化，结合自研 PP系列骨干网络，才实现了仅 15M 的 All-in-One 超轻量图像识别系统。

图3 PP-ShiTuV2 结构示意图

轻量骨干网络 PP-LCNet v2，配合 SSLD 蒸馏算法，模型精度大幅提升。

超轻量主体检测算法 PP-PicoDet，快速检测出图像中的目标物体。

基于 ReID Strong Baseline 等方法，对特征提取模块进一步优化，精度提升 8 个点。

表1 PP-ShiTuV2 性能对比

更多详细文档，请参考：

https://github.com/PaddlePaddle/PaddleClas/tree/release/2.5/docs/zh_CN/models/PP-ShiTu

如果您希望体验 PaddleOCRv2.6 的新特性，欢迎使用 NGC 飞桨容器。NVIDIA 与百度飞桨合作开发了 NGC 飞桨容器，将最新版本的飞桨与最新的 NVIDIA 的软件栈（如 CUDA）进行了无缝的集成与性能优化，最大程度的释放飞桨框架在 NVIDIA 最新硬件上的计算能力。这样，用户不仅可以快速开启 AI 应用，专注于创新和应用本身，还能够在 AI 训练和推理任务上获得飞桨+NVIDIA 带来的飞速体验。

最佳的开发环境搭建工具 - 容器技术。

容器其实是一个开箱即用的服务器。极大降低了深度学习开发环境的搭建难度。例如你的开发环境中包含其他依赖进程（redis，MySQL，Ngnix，selenium-hub等等），或者你需要进行跨操作系统级别的迁移。

容器镜像方便了开发者的版本化管理

容器镜像是一种易于复现的开发环境载体

容器技术支持多容器同时运行

最好的 PaddlePaddle 容器

NGC 飞桨容器针对 NVIDIA GPU 加速进行了优化，并包含一组经过验证的库，可启用和优化 NVIDIA GPU 性能。此容器还可能包含对 PaddlePaddle 源代码的修改，以最大限度地提高性能和兼容性。此容器还包含用于加速 ETL（DALI, RAPIDS）、训练（cuDNN, NCCL）和推理（TensorRT）工作负载的软件。

PaddlePaddle 容器具有以下优点：

适配最新版本的 NVIDIA 软件栈（例如最新版本CUDA），更多功能，更高性能。

更新的 Ubuntu 操作系统，更好的软件兼容性

按月更新

满足 NVIDIA NGC 开发及验证规范，质量管理

通过飞桨官网快速获取

环境准备

使用 NGC 飞桨容器需要主机系统（Linux）安装以下内容：

Docker 引擎

NVIDIA GPU 驱动程序

NVIDIA 容器工具包

有关支持的版本，请参阅 NVIDIA 框架容器支持矩阵和 NVIDIA 容器工具包文档。

不需要其他安装、编译或依赖管理。无需安装 NVIDIA CUDA Toolkit。

NGC 飞桨容器正式安装：

要运行容器，请按照 NVIDIA Containers For Deep Learning Frameworks User’s Guide 中 Running A Container 一章中的说明发出适当的命令，并指定注册表、存储库和标签。有关使用 NGC 的更多信息，请参阅 NGC 容器用户指南。如果您有 Docker 19.03 或更高版本，启动容器的典型命令是：

*详细安装介绍 《NGC 飞桨容器安装指南》