该文档介绍了PP-ShiTu提供的各种应用场景库简介、下载链接以及使用简介。
PP-ShiTu对原数据集进行了Gallery库和Query库划分，并生成了对应的Index索引库，具体应用场景介绍和下载地址如下表所示。
| 类别 | 场景 | 示例图 | 场景简介 | Recall@1 | 场景库下载地址 | 原数据集下载地址 |
|---|---|---|---|---|---|---|
| 动植物 | 花 |  |
104种花细分类识别 | 0.9788 | 104flowers | 原数据下载地址 |
| 动植物 | 蝴蝶 |  |
75种蝴蝶细分类识别 | 0.9360 | 下载地址 | 原数据下载地址 |
| 动植物 | 野外植物 |  |
32种野外植物识别，包括雏菊、蒲公英等 | 0.9758 | 下载地址 | 原数据下载地址 |
| 动植物 | 动物 |  |
90种动物识别，包括斑马、羚羊等 | 0.9078 | AnimalImageDataset | 原数据下载地址 |
| 动植物 | 狗识别 |  |
69种狗细分类识别，包括柴犬等 | 0.9606 | 下载地址 | 原数据下载地址 |
| 动植物 | 鸟类 |  |
400种各种姿态的鸟细分类识别 | 0.9673 | 下载地址 | 原数据下载地址 |
| 商品 | 坚果 |  |
10种坚果种类识别，包括开心果、核桃、腰果等 | 0.9412 | 下载地址 | 原数据下载地址 |
| 商品 | 蔬菜 |  |
116种蔬菜识别，包括菠菜、胡萝卜、玉米等 | 0.8929 | 下载地址 | 原数据下载地址 |
| 商品 | 时装 |  |
23种时尚商品识别，包括首饰、挎包、化妆品等 | 0.9555 | FashionProductImageSmall | 原数据下载地址 |
| 商品 | 鞋子 |  |
6种鞋子识别，包括靴子、足球鞋等 | 0.9000 | 下载地址 | 原数据下载地址 |
| 商品 | 乐器 |  |
30种不同乐器种类识别 | 0.9467 | 下载地址 | 原数据下载地址 |
| 商品 | 宝石 |  |
27种宝石识别，包括萤石、翡翠等 | 0.9653 | 下载地址 | 原数据下载地址 |
| 商品 | 球类 |  |
26种球型物体识别，包括弹珠、足球等 | 0.9769 | Balls | 原数据下载地址 |
| 交通 | 交通工具 |  |
9种交通工具粗分类识别，包括车、船等 | 0.9307 | Vechicles | 原数据下载地址 |
| 交通 | 船 |  |
6种船种类识别，包括游轮、帆船等 | 0.9242 | 下载地址 | 原数据下载地址 |
| 交通 | 航拍场景 |  |
30种航拍场景识别，如机场、火车站等 | 0.9797 | 下载地址 | 原数据下载地址 |
| 其他 | 巴黎建筑 |  |
11个巴黎建筑识别，如：巴黎铁塔、圣母院等 | 1.000 | 下载地址 | 原数据下载地址 |
| 其他 | 天气 |  |
10种天气场景识别，如：雨天、打雷、下雪等 | 0.9924 | 下载地址 | 原数据下载地址 |
| 其他 | 垃圾 |  |
12种垃圾分类识别 | 0.9845 | 下载地址 | 原数据下载地址 |
| 其他 | 运动种类 |  |
100种运动图像识别 | 0.9413 | 下载地址 | 原数据下载地址 |
| 其他 | 宝可梦 |  |
150种宝可梦神奇宝贝识别，包括皮卡丘、喷火龙等 | 0.9236 | 下载地址 | 原数据下载地址 |
如需下载已经整理后的场景库数据集，可以扫描下方二维码，关注公众号填写问卷后，加入PaddleClas官方交流群获取20G重磅图像分类学习大礼包，内含上述所有场景库数据集、垂类模型集合（包括人员出入管理、生鲜品识别、商品识别等）、70+前沿图像分类与识别论文、历次发版课程视频与优质社区项目等
- 安装：请先参考文档环境准备配置PaddleClas运行环境
- 进入
deploy运行目录，本部分所有内容与命令均需要在deploy目录下运行，可以通过下面命令进入deploy目录。
cd deploy首先创建存放场景库的地址deploy/datasets:
mkdir datasets下载并解压对应场景库到deploy/datasets中。
cd datasets
# 下载并解压场景库数据
wget {场景库下载链接} && tar -xf {压缩包的名称}以dataset_name为例，解压完毕后，datasets/dataset_name文件夹下应有如下文件结构：
├── dataset_name/
│ ├── Gallery/
│ ├── Index/
│ ├── Query/
│ ├── gallery_list.txt/
│ ├── query_list.txt/
│ ├── label_list.txt/
├── ...
其中，Gallery文件夹中存放的是用于构建索引库的原始图像，Index表示基于原始图像构建得到的索引库信息，Query文件夹存放的是用于检索的图像列表，gallery_list.txt和query_list.txt分别为索引库和检索图像的标签文件，label_list.txt是标签的中英文对照文件（注意：商标场景库文件不包含中英文对照文件）。
创建存放模型的文件夹deploy/models，并下载轻量级主体检测、识别模型，命令如下：
cd ..
mkdir models
cd models
# 下载检测模型并解压
# wget {检测模型下载链接} && tar -xf {检测模型压缩包名称}
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar && tar -xf general_PPLCNetV2_base_pretrained_v1.0_infer.tar
# 下载识别 inference 模型并解压
#wget {识别模型下载链接} && tar -xf {识别模型压缩包名称}
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar && tar -xf picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar解压完成后，models文件夹下有如下文件结构：
├── inference_model_name
│ ├── inference.pdiparams
│ ├── inference.pdiparams.info
│ └── inference.pdmodel
└── det_model_name
├── inference.pdiparams
├── inference.pdiparams.info
└── inference.pdmodel
以动物识别场景为例，展示识别和检索过程（如果希望尝试其他场景库的识别与检索效果，在下载解压好对应的场景库数据和模型后，替换对应的配置文件即可完成预测）。
注意，此部分使用了faiss作为检索库，安装方法如下：
pip install faiss-cpu==1.7.1post2若使用时，不能正常引用，则uninstall之后，重新install，尤其是在windows下。
假设需要测试./datasets/AnimalImageDataset/Query/羚羊/0a37838e99.jpg这张图像识别和检索效果。
首先分别修改配置文件./configs/inference_general.yaml中的Global.det_inference_model_dir和Global.rec_inference_model_dir字段为对应的检测和识别模型文件夹，以及修改测试图像地址字段Global.infer_imgs示例如下：
Global:
infer_imgs: './datasets/AnimalImageDataset/Query/羚羊/0a37838e99.jpg'
det_inference_model_dir: './models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar'
rec_inference_model_dir: './models/general_PPLCNetV2_base_pretrained_v1.0_infer.tar'并修改配置文件./configs/inference_general.yaml中的IndexProcess.index_dir字段为对应场景index库地址：
IndexProcess:
index_dir:'./datasets/AnimalImageDataset/Index/'运行下面的命令，对图像./datasets/AnimalImageDataset/Query/羚羊/0a37838e99.jpg进行识别与检索
# 使用下面的命令使用 GPU 进行预测
python3.7 python/predict_system.py -c configs/inference_general.yaml
# 使用下面的命令使用 CPU 进行预测
python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.use_gpu=False最终输出结果如下：
[{'bbox': [609, 70, 1079, 629], 'rec_docs': '羚羊', 'rec_scores': 0.6571544}]
其中bbox表示检测出的主体所在位置，rec_docs表示索引库中与检测框最为相似的类别，rec_scores表示对应的置信度。
检测的可视化结果也保存在output文件夹下，对于本张图像，识别结果可视化如下所示。
如果希望预测文件夹内的图像，可以直接修改配置文件中Global.infer_imgs字段，也可以通过下面的-o参数修改对应的配置。
# 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.infer_imgs="./datasets/AnimalImageDataset/Query/羚羊"终端中会输出该文件夹内所有图像的识别结果，如下所示。
...
[{'bbox': [0, 0, 1200, 675], 'rec_docs': '羚羊', 'rec_scores': 0.6153812}]
[{'bbox': [0, 0, 275, 183], 'rec_docs': '羚羊', 'rec_scores': 0.77218026}]
[{'bbox': [264, 79, 1088, 850], 'rec_docs': '羚羊', 'rec_scores': 0.81452656}]
[{'bbox': [0, 0, 188, 268], 'rec_docs': '羚羊', 'rec_scores': 0.637074}]
[{'bbox': [118, 41, 235, 161], 'rec_docs': '羚羊', 'rec_scores': 0.67315465}]
[{'bbox': [0, 0, 175, 287], 'rec_docs': '羚羊', 'rec_scores': 0.68271667}]
[{'bbox': [0, 0, 310, 163], 'rec_docs': '羚羊', 'rec_scores': 0.6706451}]
...
所有图像的识别结果可视化图像也保存在output文件夹内。