densenet201_imagenet

densenet201_imagenet

模型名称	densenet201_imagenet
类别	图像-图像分类
网络	DenseNet
数据集	ImageNet-2012
是否支持Fine-tuning	否
模型大小	82MB
最新更新日期	-
数据指标	-

一、模型基本信息

• 模型介绍

  • DenseNet 是 CVPR 2017 最佳论文的模型，DenseNet 以前馈方式将每一层与其他层连接，从而 L 层网络就有 L(L+1)/2 个直接连接。对于每一层，其输入是之前的所有层的特征图，而自己的特征图作为之后所有层的输入。DenseNet 缓解了梯度消失问题，加强特征传播，促进了特征重用，并大幅减少了参数量。该PaddleHub Module结构为 DenseNet201，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 >= 1.4.0

  • paddlehub >= 1.0.0 | 如何安装paddlehub

• 2、安装

  • $ hub install densenet201_imagenet

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1、命令行预测

  • $ hub run densenet201_imagenet --input_path "/PATH/TO/IMAGE"

  • 通过命令行方式实现图像分类模型的调用，更多请见 PaddleHub命令行指令

• 2、预测代码示例

  • import paddlehub as hub
    import cv2
    
    classifier = hub.Module(name="densenet201_imagenet")
    test_img_path = "/PATH/TO/IMAGE"
    input_dict = {"image": [test_img_path]}
    result = classifier.classification(data=input_dict)

• 3、API

  • def classification(data)

    • 分类接口API。

    • 参数

      • data：dict类型，key为image，str类型，value为待检测的图片路径，list类型。

    • 返回

      • result：list类型，每个元素为对应输入图片的预测结果。预测结果为dict类型，key为该图片分类结果label，value为该label对应的概率。

四、更新历史

• 1.0.0

  初始发布

  • $ hub install densenet201_imagenet==1.0.0