大家好，我是小 G。
如果你们想要实现酷炫的"商品识别"、"以图搜图"，进军新消费领域却没有相应技术方案，怎么办？
别急，今天给大家推荐一个可以实时、准确地识别出商品类别、规格、商标、外观等属性信息的图像识别开源系统。
技术实现说来容易，但现实中的图像识别系统往往在处理实际场景问题过程中面临各种挑战：
商品类别数以万计：根本没法事先把所有类别都放入训练集；
不同商品相似度极高：比如同一种饮料的不同口味，就很可能拥有非常类似的包装。而且即便对于同一件商品，在不同情况下所获得的商品图像都往往存在相当大的差异；
品类更新极快：像新零售这种行业，新品几乎都是按小时级别在更新，每增加新的产品都要辛辛苦苦重新训练模型，仅靠单一模型想要跟上步伐，着实望尘莫及。
一个优秀的图像识别系统，不仅需要拥有高水平的特征学习能力，更需要紧跟潮流，快速、准确地适应并识别新的品类。为了解决以上问题，将识别的流程分模块拆解、并引入度量学习和检索算法，就成了最优的策略选择。
飞桨近期推出的全开源、轻量级图像识别系统PP-ShiTu， CPU上仅需0.2s轻松识别十万类，不仅能完美解决上述产业落地中的重重难点，而且功能模块解耦，开发使用灵活便捷，真正助力开发者用科技改变生活。
GitHub 地址：
https://github.com/PaddlePaddle/PaddleClas
话不多说，让我们直接来看看这个图像识别系统的架构：
这里面的3个核心模块，都是精心打磨，无论是单独使用亦或是串联开发，都有非凡的效果：
主体检测：不同于一般的目标检测，主体检测是将目标物体和背景区分开来，能够有效减少干扰特征。PP-ShiTu中所采用的是目标检测模型PP-PicoDet，不仅预测速度超快，精度上也达到了SOTA，为后续的准确识别打下坚实基础；
特征提取：作为图像识别系统的重点工作，PP-ShiTu是采用目前性能最优的CPU级轻量化骨干网络PP-LCNet，并结合度量学习arcmargin算法，对高相似物体的区分效果远超单一模型，不仅准确率超越大模型ResNet50，预测速度还能快3倍！再加上经过18w类数据集打磨的预训练权重，不用再费心选择，一个模型就可以实现多场景覆盖！
向量检索：不同于单一模型直接输出类别信息，对于未知类别只有模型重训一个选择，耗时又耗力。PP-ShiTu引入向量检索，通过计算目标物体和检索库中图像的相似度来输出类别信息，一次训练长期使用，高效又便捷。
传送门：
https://github.com/PaddlePaddle/PaddleClas
（开源不易，欢迎大家⭐Star⭐收藏）
目前整套系统已经在GitHub上开源发布，并且引起开发者的广泛关注与应用。
比如华东理工大学飞桨领航团团长颜鑫带领团队基于PP-ShiTu开发的这套智能购物平台系统：通过图像即可精准识别顾客购买的商品，并返回完整的购物清单及应付价格，为智能货柜提供了非常好的视觉化解决方案，同时对于商品识别中品类众多、外观相似和更新频繁的痛难点也提供了可参考的示范。
链接指路：
https://github.com/thomas-yanxin/Smart_container
（欢迎⭐Star⭐收藏，不易走丢哦）
不仅如此，当系统有新商品增加时，仅需打开手机小程序，拍照更新检索库即可，无需重新训练模型，甚至一张图片就可以实现对新类别的识别，还能随时随地对检索库中的类别进行管理。再也不用担心促销季、购物节跟不上脚步了！
其实商品识别的能力远不仅如此，商超能够通过这项技术进行资产保护，降低运营成本；时尚行业能够通过这项技术，完成对秀场服装的大数据分析，把握时尚潮流；服装行业可以通过商品识别快速匹配产品材质和生产工艺等相关信息，大幅提升生产效率。
知“人”善用，是提高战斗力的一大法宝；同样，将最先进的 AI 商品识别技术应用落地各行各业，也能够带来很多赋能革新，充分帮助 B 端客户提高效率、降低成本的同时，也能优化 C 端客户的直接体验。
未来，从设计到生产、从物流到销售，AI 商品识别，将大有可为！
如果您想详细了解更多飞桨的相关内容，请参阅以下文档。
官网地址：
https://www.paddlepaddle.org.cn
【PaddleClas】项目地址👇
GitHub:
https://github.com/PaddlePaddle/PaddleClas/tree/release/2.3
Gitee:
https://gitee.com/paddlepaddle/PaddleClas
这么强大、用心的项目 ，还不赶紧给各位开发者一个Star🌟的鼓励！
