PaddleClas PULC 行人属性识别模型：基于 PP-LCNet 的轻量级多标签分类实战指南

原创2026-10-03 17:44:521,402 阅读

文章标签：人工智能深度学习计算机视觉

PaddleClas PULC 行人属性识别模型：基于 PP-LCNet 的轻量级多标签分类实战指南

导读

本文围绕 PaddleClas 仓库中 PULC（Practical Ultra Lightweight image Classification，实用超轻量图像分类）方案下的行人属性识别（Person Attribute）模型展开，系统讲解如何基于 PPLCNet_x1_0.yaml 完成从数据准备、训练、评估、知识蒸馏到推理部署的完整链路。读完本文，你将掌握：行人属性多标签分类的标签编码与后处理规则、PULC 训练配置中 EDA（数据增强）与 SKL-UGI 蒸馏策略的具体用法、超参数搜索方法，以及 Paddle Inference / Paddle Serving / Paddle-Lite / ONNX 等多端部署的实操命令。本文主体基于 PULC_person_attribute_en.md，并辅以仓库源码与配置进行纵深印证。

1. 模型概述与精度-速度权衡

行人属性识别是行人分析（Pedestrian Analysis）、行人跟踪（Pedestrian Tracking）等场景中的核心能力，需要从单张行人图像中同时输出性别、年龄、朝向、配饰、背包、上下装款式、鞋靴等多维属性。PaddleClas PULC 方案的目标是在保证实用精度的前提下，将模型做到极致轻量。

下表列出了 PULC 行人属性模型的指标演进（ma 为多标签平均准确率，Latency 为 CPU 单图延迟，Size 为模型体积）：

Backbone	ma（%）	Latency(ms)	Size(M)	Training Strategy
Res2Net200_vd_26w_4s	81.25	77.51	293	using ImageNet pretrained
SwinTransformer_tiny	80.17	89.51	111	using ImageNet pretrained
MobileNetV3_small_x0_35	70.79	2.90	1.7	using ImageNet pretrained
PPLCNet_x1_0	76.31	2.01	7.1	using ImageNet pretrained
PPLCNet_x1_0	77.31	2.01	7.1	using SSLD pretrained
PPLCNet_x1_0	77.71	2.01	7.1	using SSLD pretrained + EDA strategy
PPLCNet_x1_0	78.59	2.01	7.1	using SSLD pretrained + EDA strategy + SKL-UGI knowledge distillation strategy

从上表可以清晰看到 PULC 方案的精度-速度权衡路径：

大模型（Res2Net200_vd_26w_4s、SwinTransformer_tiny）ma 最高，但延迟高达 77~90ms，不适合端侧或高吞吐场景；
直接换用轻量主干 MobileNetV3_small_x0_35 虽快（2.90ms），但 ma 掉到 70.79%；
换用 PPLCNet_x1_0 后，ma 比 MobileNetV3_small_x0_35 高出 5.5 个百分点以上，且速度还快 20% 以上；
叠加 SSLD 预训练，ma 提升约 1 个百分点（不增加推理开销）；
再叠加 EDA 策略，ma 再提升 0.4 个百分点；
最后叠加 SKL-UGI 知识蒸馏，ma 再提升 0.88 个百分点。

最终 PPLCNet_x1_0 的 ma（78.59%）与 SwinTransformer_tiny（80.17%）仅差 1.58 个百分点，但推理速度是后者的 44 倍以上——这正是 PULC 轻量实用路线的价值所在。

注意：表中的 Latency 测试环境为 Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz，开启 MKLDNN，线程数为 10。关于 PP-LCNet 更多信息可参考 PP-LCNet 介绍。

2. 快速开始

2.1 安装 PaddlePaddle

根据本机环境二选一执行：

# CUDA9 / CUDA10 环境，安装 GPU 版本
python3 -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple

# 无 GPU 环境，安装 CPU 版本
python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

其他版本（如不同 CUDA 版本）的安装方式请参考 PaddlePaddle 官方安装文档。

2.2 安装 PaddleClas wheel 包

pip3 install paddleclas

PaddleClas 以 wheel 包形式提供开箱即用的推理接口，模型权重会自动下载，无需手动准备模型文件。

2.3 预测

首先下载演示图片并解压：

wget https://paddleclas.bj.bcebos.com/data/PULC/pulc_demo_imgs.zip && unzip pulc_demo_imgs.zip

CLI 方式

paddleclas --model_name=person_attribute --infer_imgs=pulc_demo_imgs/person_attribute/090004.jpg

输出示例：

>>> result
attributes: ['Male', 'Age18-60', 'Back', 'Glasses: False', 'Hat: False', 'HoldObjectsInFront: False', 'Backpack', 'Upper: LongSleeve UpperPlaid', 'Lower:  Trousers', 'No boots'], output: [0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1], filename: pulc_demo_imgs/person_attribute/090004.jpg
Predict complete!

--infer_imgs 同时支持单张图片路径与图片目录路径，目录内所有图片会被依次预测。

Python 方式

import paddleclas
model = paddleclas.PaddleClas(model_name="person_attribute")
result = model.predict(input_data="pulc_demo_imgs/person_attribute/090004.jpg")
print(next(result))

注意：model.predict() 返回的是生成器（generator），需要用 next() 或 for 循环逐批获取结果；每批大小由 batch_size 决定，默认为 1，实例化时可指定，例如 model = paddleclas.PaddleClas(model_name="person_attribute", batch_size=2)。输出示例：

[{'attributes': ['Male', 'Age18-60', 'Back', 'Glasses: False', 'Hat: False', 'HoldObjectsInFront: False', 'Backpack', 'Upper: LongSleeve UpperPlaid', 'Lower:  Trousers', 'No boots'], 'output': [0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1], 'filename': 'pulc_demo_imgs/person_attribute/090004.jpg'}]

2.4 输出向量与属性标签的对应关系

output 是一个长度为 26 的 0/1 向量（模型 class_num 为 26），其索引含义为：索引 0 表示是否戴帽子，索引 1 表示是否戴眼镜，索引 2-7 表示上衣款式，索引 8-13 表示下装款式，索引 14 表示是否穿靴子，索引 15-17 表示背包类型，索引 18 表示胸前是否持有物品，索引 19-21 表示年龄段，索引 22 表示性别，索引 23-25 表示朝向。完整编码逻辑可查看 ppcls/data/postprocess/attr_rec.py 中的 PersonAttribute 类实现。

行人属性具体包含以下类别：

- Gender: Male Female
- Age: AgeLess18, Age18-60, AgeOver60
- Direction: Front, Side, Back
- Accessories: glasses, hat, none
- Front holding: yes, no
- Bags: Backpack, Shoulder, Handbag
- Upper styles: UpperStride, UpperLogo, UpperPlaid, UpperSplice
- Lower style: LowerStripe, LowerPattern
- Short sleeved: yes, no
- Long sleeved: yes, no
- Long coat: yes, no
- Trousers: yes, no
- Shorts: yes, no
- Skirts & Skirts: Yes, No
- Wear boots: yes, no

值得说明的是，26 维输出并非全部是独立二分类：性别、朝向、包类、年龄段内部是互斥多选一（后处理中取 argmax），而上下装款式等是多标签可叠加输出（逐一与阈值比较）。这一点在 PersonAttribute 后处理实现中可以清晰看到：age_list、direct_list、bag_list 分别对 19:22、23:26、15:18 区间取 argmax，而上衣、下装则在阈值之上逐一拼接。

3. 训练、评估与推理

3.1 安装

PaddleClas 源码安装方式请参考安装说明。

3.2 数据集

3.2.1 数据集简介

本案例使用 PA100K 数据集（行人属性公开数据集）。PaddleClas 已将其转换为可直接下载的多标签（multi-label）可读数据格式。

3.2.2 获取数据集

进入仓库根目录后，在 dataset/ 下下载并解压：

cd dataset
wget https://paddleclas.bj.bcebos.com/data/PULC/pa100k.tar
tar -xf pa100k.tar
cd ../

解压后的 pa100k 目录结构如下：

pa100k
├── train
│   ├── 000001.jpg
│   ├── 000002.jpg
...
├── val
│   ├── 080001.jpg
│   ├── 080002.jpg
...
├── test
│   ├── 090001.jpg
│   ├── 090002.jpg
...
├── train_list.txt
├── train_val_list.txt
├── val_list.txt
├── test_list.txt

其中 train/、val/、test/ 分别为训练集、验证集、测试集；train_list.txt、val_list.txt、test_list.txt 为对应划分的标签文件。本案例暂时不使用 test_list.txt。

3.3 训练

训练配置位于 ppcls/configs/PULC/person_attribute/PPLCNet_x1_0.yaml，训练命令如下：

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/PULC/person_attribute/PPLCNet_x1_0.yaml

验证集最优 ma 约为 77.71%（数据集较小，通常会在 0.3% 左右波动）。

训练配置逐段解读

结合仓库源码，对该配置文件的关键段落说明如下：

Global 段：epochs: 20、image_shape: [3, 256, 192]（注意 PaddleClas 中为 HWC 语义下的 [H, W] = [256, 192]，输入为 192×256 分辨率）、use_multilabel: True（标志多标签任务，驱动数据集与损失函数走多标签分支）；
Arch 段：name: "PPLCNet_x1_0"、pretrained: True、use_ssld: True（使用 SSLD 蒸馏得到的 PP-LCNet 预训练权重，对应表格中第 5 行的效果来源）、class_num: 26（与 26 维属性向量一一对应）；
Loss 段：训练与评估均使用 MultiLabelLoss，并开启 weight_ratio: True（利用标签文件中携带的类别正样本比例做加权）与 size_sum: True。其底层实现在 ppcls/loss/multilabelloss.py：_binary_crossentropy 中调用 F.binary_cross_entropy_with_logits，weight_ratio 开启时通过 ratio2weight 函数根据正负样本比例构造指数形式的样本权重，缓解行人属性数据集的类别不均衡问题；
Optimizer 段：Momentum（momentum=0.9）+ Cosine 学习率（初始 0.01，前 5 个 epoch warmup）+ L2 正则（coeff 0.0005）；
DataLoader.Train 段：MultiLabelDataset，label_ratio: True（标签文件附带每类正样本比例）。预处理链依次为 DecodeImage → ResizeImage([192, 256]) → TimmAutoAugment（概率 0.8，rand-m9-mstd0.5-inc1 策略，bicubic 插值）→ Padv2（先 pad 到 212×276，mode 1，填充 0）→ RandomCropImage([192, 256]) → RandFlipImage（水平翻转）→ NormalizeImage（ImageNet 均值方差）→ RandomErasing（EPSILON 0.4，即 erasing 概率）。其中 TimmAutoAugment、RandomErasing 等组合即文档所述的 EDA（Enhanced Data Augmentation）策略，是 77.31%→77.71% 那 0.4 个百分点的来源；
Infer 段：infer_imgs 默认指向 deploy/images/PULC/person_attribute/090004.jpg；PostProcess.name: PersonAttribute，并设置了三个阈值：默认 threshold: 0.5、眼镜专用 glasses_threshold: 0.3（眼镜正例偏少，放宽阈值召回）、胸前持有物专用 hold_threshold: 0.6（降低误报）。这三个阈值会在 PersonAttribute 后处理中被分别用于对应属性；
Metric 段：ATTRMetric，其实现位于 ppcls/metric/metrics.py，内部封装 AttrMeter 计算多标签准确率（即 ma），用于评估阶段输出与最优模型选择。

3.4 评估

python3 tools/eval.py \
    -c ./ppcls/configs/PULC/person_attribute/PPLCNet_x1_0.yaml \
    -o Global.pretrained_model="output/PPLCNet_x1_0/best_model"

其中 -o Global.pretrained_model="output/PPLCNet_x1_0/best_model" 指定最优权重路径，可按需替换为其他路径。

3.5 推理

python3 tools/infer.py \
    -c ./ppcls/configs/PULC/person_attribute/PPLCNet_x1_0.yaml \
    -o Global.pretrained_model=output/PPLCNet_x1_0/best_model

结果示例：

[{'attributes': ['Male', 'Age18-60', 'Back', 'Glasses: False', 'Hat: False', 'HoldObjectsInFront: False', 'Backpack', 'Upper: LongSleeve UpperPlaid', 'Lower:  Trousers', 'No boots'], 'output': [0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1]}]

注意：默认测试图为 deploy/images/PULC/person_attribute/090004.jpg；测试其他图片只需指定 -o Infer.infer_imgs=path_to_test_image。

4. 模型压缩：SKL-UGI 知识蒸馏

SKL-UGI 是 PaddleClas 提出的一种简单但有效的知识蒸馏算法（SKL 指 Soft/Kernel Label 软标签蒸馏，UGI 指 UN-Used-Image 无标签图片数据的利用）。行人属性 PULC 方案采用 ResNet101_vd 作为教师模型、PPLCNet_x1_0 作为学生模型 的组合。

4.1 教师模型训练

教师模型沿用 PPLCNet_x1_0.yaml 的超参数，仅通过 -o Arch.name=ResNet101_vd 替换主干：

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/PULC/person_attribute/PPLCNet_x1_0.yaml \
        -o Arch.name=ResNet101_vd

验证集最优 ma 约为 80.10%，最优教师权重保存在 output/ResNet101_vd/best_model.pdparams。

4.2 知识蒸馏训练

蒸馏训练配置位于 ppcls/configs/PULC/person_attribute/PPLCNet_x1_0_Distillation.yaml，命令如下：

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/PULC/person_attribute/PPLCNet_x1_0_Distillation.yaml \
        -o Arch.models.0.Teacher.pretrained=output/ResNet101_vd/best_model

验证集最优 ma 约为 78.5%，最优学生权重保存在 output/DistillationModel/best_model_student.pdparams。

蒸馏配置要点

从蒸馏配置文件中可以提炼出 SKL-UGI 在 PULC 行人属性场景的工程化要点：

Arch 段：name: "DistillationModel"，models 列表内依次定义 Teacher（ResNet101_vd，蒸馏时加载已训好的教师权重）与 Student（PPLCNet_x1_0，pretrained: True + use_ssld: True）；freeze_params_list: [True, False] 表示冻结教师参数、只训练学生；infer_model_name: "Student" 指明导出/推理时使用学生分支；
Loss 段：训练时同时使用 DistillationDMLLoss（教师与学生 logits 之间的 DML 蒸馏损失，实现见 ppcls/loss/distillationloss.py 的 DistillationDMLLoss 类，其 model_name_pairs: [["Student", "Teacher"]] 指定配对关系）与 DistillationMultiLabelLoss（学生分支自身接多标签 BCE 损失），二者权重均为 1.0；评估时仍用标准 MultiLabelLoss；
其余 Global / Optimizer / DataLoader / Infer 段与普通训练配置一致，即蒸馏在相同数据与增强策略下进行。

5. 超参数搜索（可选）

第 3.2 节与 4.1 节所使用的超参数，来自 PaddleClas 的 Hyperparameters Searching（SHAS） 机制。若要在自有数据集上获得更优结果，可参考 PULC 训练文档中的搜索章节。

注意：本节可选执行。搜索过程耗时较长，请根据实际情况决定是否运行；若未更换数据集，可跳过本节。

仓库中已附带行人属性场景的搜索配置 ppcls/configs/PULC/person_attribute/search.yaml，其结构展示了 SHAS 的搜索维度：

base_config_file / distill_config_file：普通训练与蒸馏训练的基配置；
gpus: 0,1,2,3、output_dir: output/search_attr、search_times: 1：搜索资源与轮次；
search_dict 定义了五个搜索维度及其候选值：
- lrs：初始学习率，候选 [0.0001, 0.005, 0.01, 0.02, 0.05]；
- resolutions：训练分辨率，候选 [[192, 256]]，同时联动修改 ResizeImage.size、RandomCropImage.size、TimmAutoAugment.img_size 三处；
- ra_probs：TimmAutoAugment 概率，候选 [0.0, 0.2, 0.4, 0.6, 0.8, 1.0]；
- re_probs：RandomErasing 概率（EPSILON），候选 [0.0, 0.2, 0.4, 0.6, 0.8, 1.0]；
- lr_mult_list：PP-LCNet 各 stage 的层间学习率倍率，候选三组不同分布；
teacher 段：教师模型候选 ResNet101_vd、ResNet50_vd，并指定蒸馏时需移除的键（如 Arch.lr_mult_list）；
final_replace：将搜索得到的学生 lr_mult_list 回填到蒸馏配置的 Arch.models.1.Student.lr_mult_list。

配套的 PPLCNet_x1_0_search.yaml 即为搜索基配置（其中 TimmAutoAugment.prob: 0.0、RandomErasing.EPSILON: 0.0 表示搜索起点为不启用增强）。

6. 推理部署

Paddle Inference 是 PaddlePaddle 官方推理库，相比直接加载预训练模型，推理模型可借助算子融合、IR 优化等工具加速，获得更好的服务端推理性能。

6.1 获取 Paddle Inference 模型

6.1.1 导出推理模型

python3 tools/export_model.py \
    -c ./ppcls/configs/PULC/person_attribute/PPLCNet_x1_0.yaml \
    -o Global.pretrained_model=output/DistillationModel/best_model_student \
    -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_person_attribute_infer

执行后推理模型保存在指定目录：

├── PPLCNet_x1_0_person_attribute_infer
│   ├── inference.pdiparams
│   ├── inference.pdiparams.info
│   └── inference.pdmodel

注意：上述命令加载的是蒸馏训练得到的最优学生权重；若未做蒸馏训练，应使用 output/PPLCNet_x1_0/best_model.pdparams。

6.1.2 直接下载推理模型

也可以跳过导出，直接下载 PaddleClas 提供的推理模型：

cd deploy/models
wget https://paddleclas.bj.bcebos.com/models/PULC/person_attribute_infer.tar && tar -xf person_attribute_infer.tar

解压后 deploy/models/person_attribute_infer/ 下包含 inference.pdmodel、inference.pdiparams、inference.pdiparams.info 三个文件。

6.2 Python 预测（Paddle Inference）

回到 deploy 目录后，使用 deploy/python/predict_cls.py 配合部署配置 deploy/configs/PULC/person_attribute/inference_person_attribute.yaml 进行预测。

6.2.1 单图预测

# GPU 预测
python3.7 python/predict_cls.py -c configs/PULC/person_attribute/inference_person_attribute.yaml -o Global.use_gpu=True
# CPU 预测
python3.7 python/predict_cls.py -c configs/PULC/person_attribute/inference_person_attribute.yaml -o Global.use_gpu=False

输出示例：

090004.jpg:     {'attributes': ['Male', 'Age18-60', 'Back', 'Glasses: False', 'Hat: False', 'HoldObjectsInFront: False', 'Backpack', 'Upper: LongSleeve UpperPlaid', 'Lower:  Trousers', 'No boots'], 'output': [0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1]}

6.2.2 目录批量预测

将 Global.infer_imgs 指定为目录路径即可批量预测：

python3.7 python/predict_cls.py -c configs/PULC/person_attribute/inference_person_attribute.yaml -o Global.infer_imgs="./images/PULC/person_attribute/"

输出示例：

090004.jpg:     {'attributes': ['Male', 'Age18-60', 'Back', ...]}
090007.jpg:     {'attributes': ['Female', 'Age18-60', 'Side', 'Glasses: False', 'Hat: False', 'HoldObjectsInFront: False', 'No bag', 'Upper: ShortSleeve', 'Lower:  Skirt&Dress', 'No boots'], 'output': [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0]}

（原文档此处将 someone/nobody 描述为图中是否有人，实际 PULC 人属性输出为 attributes 与 26 维 output 向量。）

部署配置关键参数

inference_person_attribute.yaml 中值得关注的参数：

Global 段：inference_model_dir: "./models/person_attribute_infer"（指向下载或导出的推理模型目录）、use_gpu、enable_mkldnn: True + cpu_num_threads: 10（CPU 场景开启 MKLDNN 并设定线程数）、ir_optim: True（IR 优化）、use_tensorrt / use_fp16 / gpu_mem（GPU 加速选项）；
PreProcess 段：推理预处理只需 ResizeImage([192, 256]) → NormalizeImage → ToCHWImage，不含训练时的数据增强，与训练配置中 Infer.transforms 一致；
PostProcess 段：main_indicator: PersonAttribute，并保留 threshold: 0.5、glasses_threshold: 0.3、hold_threshold: 0.6 三个后处理阈值。

从 predict_cls.py 的实现可以看到完整调用链：ClsPredictor 按 PreProcess.transform_ops 构造预处理算子链、按 PostProcess 构建后处理器，预测时将批量图像预处理后送入 Paddle Inference predictor，输出经 build_postprocess 构造的 PersonAttribute 后处理转为属性文本与 0/1 向量，最后在 main() 中按批打印结果。

6.3 C++ 部署

PaddleClas 提供了 C++ 部署示例，详见 C++ 部署文档（对应仓库 deploy/cpp 中的实现）。

6.4 服务化部署（Paddle Serving）

Paddle Serving 是灵活的机器学习模型高性能服务化载体，支持 RESTful、gRPC、bRPC 等多种协议，可为多种异构硬件与操作系统环境提供部署方案。PaddleClas 提供了基于 Paddle Serving 的服务化部署示例，详见分类服务化部署文档（对应 deploy/paddleserving）。

6.5 移动端部署（Paddle-Lite）

Paddle-Lite 是面向移动端、嵌入式与 IoT 设备的开源深度学习推理框架。PaddleClas 提供了 Paddle-Lite 移动端部署示例，详见 Paddle-Lite 部署文档（对应 deploy/lite）。

6.6 转 ONNX 并部署

Paddle2ONNX 可将 Paddle Inference 模型转换为 ONNX 模型，进而部署到 TensorRT、OpenVINO、MNN/TNN、NCNN 等不同推理引擎。转换与 ONNX 推理细节参见 deploy/paddle2onnx/readme_en.md。

7. 总结：从配置到落地的完整路径

PULC 行人属性识别方案的完整落地路径可归纳为四步：

数据：下载 PA100K 多标签格式数据（train_list.txt 等标签文件需附带类别比例，供 MultiLabelLoss 的 weight_ratio 加权使用）；
训练：以 PPLCNet_x1_0.yaml 为基线，依次叠加 SSLD 预训练、EDA 增强与 SKL-UGI 蒸馏（PPLCNet_x1_0_Distillation.yaml），可参考 search.yaml 在自有数据集上搜索更优超参；
导出：用 tools/export_model.py 将学生模型导出为 Paddle Inference 格式（inference.pdmodel / inference.pdiparams）；
部署：按算力与场景选择 Python（predict_cls.py）、C++、Paddle Serving、Paddle-Lite 或 ONNX 任一通道，统一复用 inference_person_attribute.yaml 中的预处理与阈值配置。

最终效果是：在保持 7.1M 模型体积、2.01ms CPU 延迟的同时，将行人属性识别 ma 提升至 78.59%，与大模型（SwinTransformer_tiny，80.17%）精度仅差 1.58 个百分点——这正是 PULC 方案面向真实业务场景的工程价值所在。

登录后查看全文

人工智能深度学习计算机视觉

PaddleClas

PaddleClas PULC 行人属性识别模型：基于 PP-LCNet 的轻量级多标签分类实战指南

PaddleClas PULC 行人属性识别模型：基于 PP-LCNet 的轻量级多标签分类实战指南

导读

1. 模型概述与精度-速度权衡

2. 快速开始

2.1 安装 PaddlePaddle

2.2 安装 PaddleClas wheel 包

2.3 预测

CLI 方式

Python 方式

2.4 输出向量与属性标签的对应关系

3. 训练、评估与推理

3.1 安装

3.2 数据集

3.2.1 数据集简介

3.2.2 获取数据集

3.3 训练

训练配置逐段解读

3.4 评估

3.5 推理

4. 模型压缩：SKL-UGI 知识蒸馏

4.1 教师模型训练

4.2 知识蒸馏训练

蒸馏配置要点

5. 超参数搜索（可选）

6. 推理部署

6.1 获取 Paddle Inference 模型

6.1.1 导出推理模型

6.1.2 直接下载推理模型

6.2 Python 预测（Paddle Inference）

6.2.1 单图预测

6.2.2 目录批量预测

部署配置关键参数

6.3 C++ 部署

6.4 服务化部署（Paddle Serving）

6.5 移动端部署（Paddle-Lite）

6.6 转 ONNX 并部署

7. 总结：从配置到落地的完整路径

相关推荐

热门文章