企业官网建设流程全解析

• 人工智能
• 预训练
• 微调
• 模型推理服务

本指南以demo/image_classification为实战入口，系统讲解如何在 PaddleHub 框架下使用预训练图像分类模型resnet50_vd_imagenet_ssld完成「命令行/脚本预测 → 数据集微调（Fine-tune）→ checkpoint 加载预测 → Serving 在线服务部署」的完整闭环。读者阅读完本文后，将掌握 PaddleHub 图像分类模块的调用范式、Flowers 数据集的使用方式、Trainer训练与评估流程，以及如何将微调产物一键发布为 HTTP 分类服务。

环境与依赖

运行本文示例前，需要先安装以下依赖（与仓库demo/image_classification/README.md及modules/image/classification/resnet50_vd_imagenet_ssld/README.md声明一致）：

• paddlepaddle >= 2.0.0rc（模块侧要求>= 2.0.0）
• paddlehub >= 2.0.0

安装 PaddlePaddle 与 PaddleHub 后，可先通过hub install显式安装分类模块：

$ hub install resnet50_vd_imagenet_ssld

hub install会将模块下载到本地 hub 目录，后续hub.Module与hub run均可直接按名称加载。

命令行预测：一条命令完成推理

加载预训练模型的最快方式是使用hub run命令行工具：

$ hub run resnet50_vd_imagenet_ssld --input_path "/PATH/TO/IMAGE" --top_k 5

• --input_path：待预测图片的路径；
• --top_k：返回概率最高的前 K 个类别（示例为 5）。

命令执行后，模型会输出每张图片 Top-K 的类别名称与对应置信度。该方式适合快速验证模块可用性或做单张图片的即席推理。

脚本预测：在 Python 中调用模块

在代码中调用同样简洁，核心就是hub.Module加model.predict：

import paddle import paddlehub as hub if __name__ == '__main__': model = hub.Module(name='resnet50_vd_imagenet_ssld',) result = model.predict([PATH/TO/IMAGE])

未指定label_list时，模块会使用模型自带的 ImageNet-2012 类别作为输出标签（见下文 Step3）。predict返回每个输入图片的 Top-1（默认top_k=1）分类结果字典列表。

Fine-tune 全流程：四步走

在完成 PaddlePaddle 与 PaddleHub 安装后，进入demo/image_classification目录直接执行python train.py即可开始使用resnet50_vd_imagenet_ssld对 Flowers 数据集 等数据进行微调。仓库中的 train.py 即为可直接运行的完整脚本，其逻辑可拆分为 4 个步骤。

Step1：定义数据预处理方式

import paddlehub.vision.transforms as T transforms = T.Compose([T.Resize((256, 256)), T.CenterCrop(224), T.Normalize(mean=[0.485, 0.456, 0.406], std = [0.229, 0.224, 0.225])], to_rgb=True)

transforms是数据增强/预处理管线，用户可按需替换。各算子定义位于 paddlehub/vision/transforms.py：

• T.Resize((256, 256))：将图片缩放到目标尺寸。target_size支持 int 或 (h, w) 二元组，interpolation默认'LINEAR'，可选NEAREST / LINEAR / CUBIC / AREA / LANCZOS4 / RANDOM六种模式（源码见transforms.py的Resize类）；
• T.CenterCrop(224)：从图片中心裁剪出224 x 224区域，与 ResNet 系列标准的输入尺寸保持一致；
• T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])：使用 ImageNet 数据集的均值/方差做通道归一化；
• to_rgb=True：统一转换为 RGB 通道顺序，避免 BGR/RGB 混用导致预测异常。

这里使用的预处理参数与模块内部module.py中transforms方法（modules/image/classification/resnet50_vd_imagenet_ssld/module.py中Resize((256, 256)) + CenterCrop(224) + Normalize同一组配置）完全一致，保证训练与推理阶段输入分布对齐。

Step2：下载数据集并使用

from paddlehub.datasets import Flowers flowers = Flowers(transforms) flowers_validate = Flowers(transforms, mode='val')

• transforms：数据预处理方式；
• mode：数据模式，可选train、test、val，默认为train。

Flowers数据集的实现见 paddlehub/datasets/flowers.py：

• 类装饰器@download_data(url='https://bj.bcebos.com/paddlehub-dataset/flower_photos.tar.gz')会在首次实例化时自动从网络下载数据并解压到hubenv.DATA_HOME（即$HOME/.paddlehub/dataset）目录下，无需手动准备数据；
• 数据集包含 5 个类别（num_classes = 5），对应train_list.txt / test_list.txt / validate_list.txt三个文件列表，由mode决定加载哪个文件；
• __getitem__中读取图片路径与标签，并调用self.transforms(img_path)完成预处理，返回(图像, 标签)二元组。

Step3：加载预训练模型

model = hub.Module(name="resnet50_vd_imagenet_ssld", label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"])

• name：预训练模型名称；
• label_list：自定义输出分类类别；不传时默认使用 ImageNet-2012 的 1000 类标签。

从模块源码（module.py）可以看到，label_list直接决定全连接分类头的输出维度：传入时class_dim = len(label_list)，否则读取模块目录下的 label_list.txt 构建标签表。因此在微调阶段传入 5 个花类别后，模型最后一层Linear的神经元数会相应变为 5，配合冻结/微调预训练骨干即可适配新任务。

PaddleHub 还提供大量图像分类预训练模型（如xception、mobilenet、efficientnet等），本仓库modules/image/classification/目录下即收录了对应模块。想切换模型时，只需更换name参数：

# 更换name参数即可无缝切换efficientnet模型, 代码示例如下 model = hub.Module(name="efficientnetb7_imagenet")

NOTE：目前部分模型尚未完全升级到 Paddle 2.0 动态图版本，切换模型时请以对应模块 README 标注的版本状态为准。

Step4：选择优化策略和运行配置

optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) trainer = Trainer(model, optimizer, checkpoint_dir='img_classification_ckpt') trainer.train(flowers, epochs=100, batch_size=32, eval_dataset=flowers_validate, save_interval=1)

优化策略

Paddle 2.0 提供了SGD、Adam、Adamax等多种优化器，示例选用Adam：

• learning_rate：全局学习率，默认 1e-3；
• parameters：待优化的模型参数，即model.parameters()。

运行配置

Trainer（实现在 paddlehub/finetune/trainer.py）负责整体训练流程，可配置参数包括：

• model：被优化模型；
• optimizer：优化器；
• use_gpu：是否使用 GPU 训练；
• use_vdl：是否使用 VisualDL 可视化训练过程；
• checkpoint_dir：保存模型参数的目录；
• compare_metrics：保存最优模型时的衡量指标（默认比较acc）。

trainer.train控制具体训练过程，参数如下：

• train_dataset：训练数据集；
• epochs：训练轮数；
• batch_size：批大小，使用 GPU 时请根据显存实际情况调整；
• num_workers：数据加载 worker 数量，默认为 0；
• eval_dataset：验证集；
• log_interval：打印日志的间隔，单位为执行批训练的次数；
• save_interval：保存模型的间隔频次，单位为训练轮数。

从trainer.py的train方法实现（约第 255 行起）可以确认训练循环的关键行为：当current_epoch % save_interval == 0且一个 epoch 结束时保存 checkpoint，并会在每个保存节点对验证集执行评估；若当前指标优于历史最优（_compare_metrics），则将模型保存到${checkpoint_dir}/best_model目录。这就是「验证集上表现最优的模型被自动保留」这一机制的源码依据。

模型预测：加载微调产物

完成微调后，验证集表现最优的模型保存在${CHECKPOINT_DIR}/best_model目录下，其中${CHECKPOINT_DIR}即训练时设置的checkpoint_dir。使用该模型预测的 predict.py 脚本如下：

import paddle import paddlehub as hub if __name__ == '__main__': model = hub.Module(name='resnet50_vd_imagenet_ssld', label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"], load_checkpoint='/PATH/TO/CHECKPOINT') result = model.predict(['flower.jpg'])

关键点在于load_checkpoint='/PATH/TO/CHECKPOINT'：指定微调产物的 checkpoint 路径后，模块__init__（见module.py）会通过paddle.load(load_checkpoint)[0]加载自定义权重并覆盖预训练参数（源码中打印load custom checkpoint success）；不传该参数时则加载模型自带的resnet50_vd_ssld.pdparams预训练权重。

NOTE：进行预测时，所选择的module、checkpoint_dir、dataset必须与 Fine-tune 时保持一致，否则类别映射与权重维度会对不上。

model.predict的底层实现在 paddlehub/module/cv_module.py（ImageClassifierModule.predict，约第 82 行）：模型切换到eval()模式并关闭梯度，对输入图片批量执行预处理 → 前向推理 →F.softmax得到概率分布 →np.argsort降序取 Top-K 索引，最后结合self.labels映射为可读的类别名。

服务部署：Serving 在线分类服务

PaddleHub Serving 可将微调好的模型部署为在线分类任务服务。

Step1：启动 PaddleHub Serving

$ hub serving start -m resnet50_vd_imagenet_ssld

执行后即完成分类任务服务化 API 的部署，默认端口号为8866。

NOTE：如使用 GPU 预测，需在启动服务前设置CUDA_VISIBLE_DEVICES环境变量；纯 CPU 环境无需设置。

Step2：发送预测请求

服务端就绪后，用以下代码即可发送图片并获取分类结果：

import requests import json import cv2 import base64 import numpy as np def cv2_to_base64(image): data = cv2.imencode('.jpg', image)[1] return base64.b64encode(data.tostring()).decode('utf8') def base64_to_cv2(b64str): data = base64.b64decode(b64str.encode('utf8')) data = np.fromstring(data, np.uint8) data = cv2.imdecode(data, cv2.IMREAD_COLOR) return data # 发送HTTP请求 org_im = cv2.imread('/PATH/TO/IMAGE') data = {'images':[cv2_to_base64(org_im)], 'top_k':2} headers = {"Content-type": "application/json"} url = "http://127.0.0.1:8866/predict/resnet50_vd_imagenet_ssld" r = requests.post(url=url, headers=headers, data=json.dumps(data)) data =r.json()["results"]['data']

请求体采用 JSON 格式：images字段为 base64 编码的图片列表，top_k指定返回的候选类别数；服务端响应中的results['data']即为每张图片的 Top-K 分类结果。这样便完成了一个可直接被业务系统调用的图像分类 HTTP API。

延伸阅读与使用建议

• 模型细节：resnet50_vd_imagenet_ssld是 ResNet-D 结构变体，模型元信息（类别、网络、数据集、版本、是否支持微调等）见 模块 README；网络结构由ConvBNLayer、BottleneckBlock堆叠而成，forward返回(logits, feature)二元组，后者可作为图像特征向量用于检索、相似度等下游任务（见 module.py）；
• 自定义数据集：参考 flowers.py 继承paddle.io.Dataset并实现__getitem__/__len__，即可将Flowers替换为业务自己的图像分类数据；
• 训练可视化：将Trainer的use_vdl置为True后，可在 VisualDL 中实时观察 loss 与 acc 曲线，便于调整learning_rate与epochs；
• batch_size 调整：GPU 显存受限时可调小batch_size；反之增大batch_size可提升训练吞吐，需同步关注显存占用。

• 人工智能
• 预训练
• 微调
• 模型推理服务