智慧零售产业应用实战，30分钟上手的高精度商品识别

图1 商品识别应用展示

然而，相较更加普遍的人脸识别技术来说，商品识别在实际的产业应用中也面临着其独有的巨大挑战：

• 商品包装相似：同类别商品口味不同且价格也不同，不同类别商品外包装相似，都对图像识别精度具有较高的要求；
• 干扰因素众多：同类别商品在识别时容易因角度问题发生变形、折叠、遮挡等干扰，对识别结果造成影响；
• 品类更新极快：零售商品通常以小时级别速度更新迭代，每增加新产品时若仅靠单一模型均需重新训练模型，模型训练成本及时间成本极大；

针对上述难点，飞桨产业实践范例库基于真实零售场景中的数据，推出了智慧商超商品识别范例，可用于商品智能结算等多种场景，提供从数据准备、技术方案、模型训练优化，到模型部署的全流程可复用方案，有效解决了识别速度和精度要求极高、不同商品相似度极高、模型重训成本高的问题，大大提高了人工智能在商超零售行业的应用落地可能性。

⭐项目链接⭐

https://github.com/PaddlePaddle/PaddleClas/tree/develop/docs/zh_CN/samples

所有源码及教程均已开源，欢迎大家star鼓励~

智慧零售商品识别方案

基于PP-ShiTu实现的商品识别方案为零售场景中商品多类别、小样本、高相似和更新频繁问题提供了新的思路，不仅能对多类别商品进行精准识别，也可以满足对预测效率的极致追求。

图2 商品识别目标说明

场景难点

• 数据相似度高：同一件商品，在不同情况下所获得的商品图像往往存在相当大的差异；不同商品很可能拥有非常类似的包装，比如口味不同。
• 系统性能要求高：需要同时解决检测和识别两个任务，选模型和优化时要权衡精度与速度两方面。
• 模型泛化性要求高：需要支持对未知类别的商品进行识别，有效支持训练数据少、新增类别的情况。

方案设计

针对上述难点，经过对模型性能精度和速度的考虑，最终选用了飞桨图像分类套件PaddleClas开源的图像识别PP-ShiTu技术方案，并且使用飞桨服务化部署框架Paddle Serving 进行服务化部署。

PP-ShiTu是一个实用的轻量级通用图像识别系统，主要由主体检测、特征学习和向量检索三个模块组成。该系统从骨干网络选择和调整、损失函数的选择、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型裁剪量化8个方面，采用多种策略，对各个模块的模型进行优化，并经过10w+类别数据进行训练，最终得到在CPU上预测时间仅需0.2s的多场景通用图像识别系统。

图3 项目方案说明

模型优化策略和效果

尝试数据增强、换不同的backbone、选择不同的Metric Learning方法、采用蒸馏方法进行模型调优，针对不同方案给出实验效果，模型最终可以达到98.39%以上的Top1 Recall。

同时，为满足商品识别场景需要兼具扩展性的要求，本范例还提供了低成本更新检索库的识别方案，无需重新训练模型即可实现对新增类别的精准识别，具体解决方案欢迎大家关注直播课。

图4 效果展示说明

部署方案

部署方面使用飞桨服务化部署框架Paddle Serving进行部署，满足用户批量预测、数据安全性高、延迟低的需求，快速在本地完成部署方案，本次范例包含模型转换配置到部署请求的全流程讲解，欢迎小伙伴们关注直播。

如下图展示本次商品识别范例在智能结算场景的应用

范例使用工具介绍

PaddleClas是一个提供了从数据处理、模型准备、模型优化、到预测部署全流程工具的图像分类开发套件。其中的轻量级图像识别系统PP-ShiTu更是综合了目标检测、图像分类、度量学习、图像检索等多重技术，能够完美解决小样本、高相似、多类别等产业落地难点，CPU上仅需0.2s轻松识别十万类，而且十分简单易用，极大地降低开发门槛。

产业实践范例教程

助力企业跨越AI落地鸿沟

飞桨产业实践范例，致力于加速AI在产业落地的前进路径，减少理论技术与产业应用的差距。范例来源于产业真实业务场景，通过完整的代码实现，提供从数据准备到模型部署的方案过程解析，堪称产业落地的“自动导航”。

• 真实产业场景：与实际具有AI应用的企业合作共建，选取企业高频需求的AI应用场景如智慧城市-安全帽检测、智能制造-表计读数等；
• 完整代码实现：提供可一键运行的代码，在“AI Studio一站式开发平台”上使用免费算力一键Notebook运行；
• 详细过程解析：深度解析从数据准备和处理、模型选择、模型优化和部署的AI落地全流程，共享可复用的模型调参和优化经验；
• 直达项目落地：百度高工手把手教用户进行全流程代码实践，轻松直达项目POC阶段。