https://blog.luler.top/d/43

一、简介

• PP-ShiTuV2 是一个由百度飞桨团队发布的实用轻量级通用图像识别系统，由主体检测、特征提取、向量检索三个模块构成，适用于快速构建轻量级、高精度、可落地的图像识别应用

• image_classification是一个基于 PP-ShiTuV2 技术实现的图片分类识别系统，把相关流程封装成简单的接口，提供在线管理页面，提供API直接调用，支持Docker快速部署

• 相关开源地址与文档，image_classification地址参考：https://github.com/luler/image_classification，PP-ShiTuV2 官方文档参考：https://github.com/PaddlePaddle/PaddleClas/tree/release/2.6/docs/zh_CN/models/PP-ShiTu

• image_classification 项目工作原理图参考：
  

二、安装

• 提前准备好Docker、docker-compose环境（这里不做赘述）

• 拉取代码

  复制git clone https://github.com/luler/image_classification.git

• 查看目录下的docker-compose.yml启动配置文件，配置内容如下，可以修改外部映射端口等

  复制version: "3"services:
    paddle:
  
      image: registry.cn-shenzhen.aliyuncs.com/luler/image_classification
      restart: always
      ports:      - 5000:5000
      volumes:      - .:/root/work
    nginx:
      image: nginx:1.21.6
      restart: always
      ports:      - 5566:80
      volumes:      - ./log/nginx_logs:/var/log/nginx      - ./web/dist:/home/wwwroot/web/dist      - ./static:/home/wwwroot/resource/static
        - ./config/nginx/conf.d:/etc/nginx/conf.d

• 一键启动

  复制docker-compose up -d

  检查容器是否正常启动，如果都是UP状态即为启动成功，否则需要使用 docker-compose logs 查看启动日志，分析原因
  

三、使用示例

1. 使用在线管理后台，管理图片分类内容

• 项目启动后，可以访问地址：http://127.0.0.1:5566/，默认账号：admin，密码：admin
  

• 添加一个分类，比如：红牛
  

• 管理这个分类的图片，添加更多照片示例，可增加建立索引后的识别准确性

• 进入图片管理
  

• 添加图片
  

• 更新图片后，需要点击重建索引才能生效，这个过程会处理所有分类与关联图片，生成新的索引库
  

• 索引建立成功后，就能正常识别了。可以进入识别体验菜单，进行在线识别体验，识别接口已经封装好主体检测、特征提取、向量检索过程，调用即可返回检索识别到的结果，如下：
  

2. 接口使用体验示例

• 首先登录获取授权，授权接口POST：http://127.0.0.1:5566/api/login
  

• 识别图片接口，接口地址POST：http://127.0.0.1:5566/api/auth/predict
  设置Authorization请求头
  

  上传需要识别的文件内容，file字段
  

  请求结果返回json数据，如下：

  复制{
    "code": 200,
    "info": {
      "result": [ //图片可能包含多个入库的图片分类内容，所以这个可能返回多个结果
        {
          "bbox": [ //识别到的物体相对于图片的位置
            "246",
            "210",
            "391",
            "422"
          ],
          "rec_docs": "红牛", //识别到的分类名称
          "rec_scores": "0.707627"
   //识别的概率，0-1
        }
      ]
    },
    "message": "访问成功"}

四、总结

• PP-ShiTuV2识别精度较好，召回率较高，可以胜任很多图片分类识别的简单场景

• 物体检测模型比较轻量，资源占用非常低，支持纯CPU部署，可以快速应用