今天必须推荐一个由百度飞桨开源的项目-PaddleClas，该 Repo 提供了全球首个完整开源通用图像识别系统。
不仅如此，作为视觉任务的坚实底座，PaddleClas还提供了 35 个系列，近 200 个预训练模型和性能评估，力求为工业界和学术界提供更高效便捷的开发工具，为开发者带来更流畅优质的使用体验，实现行业场景实现落地应用。
想要获取更多PaddleClas相关介绍及教程文档可前往⬇️：
地址: https://github.com/PaddlePaddle/PaddleClas
目前已经提供的应用方向包括：：商品识别、车辆识别、LOGO识别、动漫人物识别等。
不仅如此，PaddleClas团队最近还提出了超强悍CPU级骨干网络PP-LCNet！速度提升2倍，超越目前所有SOTA算法！
算法速度优化遇到瓶颈，达不到要求？应用环境没有高性能硬件只有CPU？莫慌，这些开发者们的普遍痛点，今天老逛就来为万千开发者带来破局大法：针对CPU设备及加速库MKLDNN定制的骨干网络PP-LCNet！空口无凭，上图为证！
从上图我们可以看出，PP-LCNet在同样精度的情况下，速度远超当前所有的骨架网络，最多可以有2倍的性能优势！它应用在比如目标检测、语义分割等任务算法上，也可以使原本的网络有大幅度的性能提升。
而这个PP-LCNet的论文发布和代码开源后，也着实引来了众多业界开发者的关注，各界大神把PP-LCNet应用在YOLO系列算法上也真实带来了极其可观的性能收益。
这时候是不是有小伙伴已经按耐不住也想直接上手试试了？！老逛识趣地赶紧送上开源代码的传送门 ⬇️ 大家一定要Star收藏以免走失，也给开源社区一些认可和鼓励。
地址：https://github.com/PaddlePaddle/PaddleClas
而这个PP-LCNet到底是如何设计，从而有这么好的性能的呢？下面小编就带大家来领略一下：
1. PP-LCNet核心技术解读
近年来，很多轻量级的骨干网络问世，各种NAS搜索出的网络尤其亮眼。但这些算法的优化都脱离了产业最常用的Intel CPU设备环境，加速能力也往往不合预期。百度飞桨图像分类套件PaddleClas基于这样的产业现状，针对Intel CPU及其加速库MKLDNN定制了独特的高性能骨干网络PP-LCNet。
比起其他的轻量级SOTA模型，该骨干网络可以在不增加推理时间的情况下，进一步提升模型的性能，最终大幅度超越现有的SOTA模型。
