该案例提供了用户使用 PaddleClas 的超轻量图像分类方案（PULC，Practical Ultra Lightweight image Classification）快速构建轻量级、高精度、可落地的图像方向分类模型（），该模型能够广泛应用于多种视觉任务中。下表列出了图像方向分类模型的相关指标。
| 模型 | 精度（%） | 延时（ms） | 存储（M） | 策略 |
|---|
| PPLCNet_x1_0 | 89.99 | 2.16 | 7.1 | 使用SSLD预训练模型 |
备注：
- 关于PP-LCNet的介绍可以参考PP-LCNet介绍，相关论文可以查阅PP-LCNet paper。
- 您的机器安装的是 CUDA9 或 CUDA10，请运行以下命令安装
python3 -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple- 您的机器是CPU，请运行以下命令安装
python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple更多的版本需求，请参照飞桨官网安装文档中的说明进行操作。
使用如下命令快速安装 paddleclas
pip3 install paddleclas
点击这里下载 demo 数据并解压，然后在终端中切换到相应目录。
- 使用命令行快速预测
paddleclas --model_name=image_orientation --infer_imgs=pulc_demo_imgs/image_orientation/1.jpg结果如下：
>>> result
class_ids: [1], scores: [0.9346007], label_names: ['90°'], filename: pulc_demo_imgs/image_orientation/1.jpg
Predict complete!
备注： 更换其他预测的数据时，只需要改变 --infer_imgs=xx 中的字段即可，支持传入整个文件夹。
- 在 Python 代码中预测
import paddleclas
model = paddleclas.PaddleClas(model_name="image_orientation")
result = model.predict(input_data="pulc_demo_imgs/image_orientation/1.jpg")
print(next(result))备注：model.predict() 为可迭代对象（generator），因此需要使用 next() 函数或 for 循环对其迭代调用。每次调用将以 batch_size 为单位进行一次预测，并返回预测结果, 默认 batch_size 为 1，如果需要更改 batch_size，实例化模型时，需要指定 batch_size，如 model = paddleclas.PaddleClas(model_name="image_orientation", batch_size=2), 使用默认的代码返回结果示例如下：
>>> result
[{'class_ids': [1], 'scores': [0.9346007], 'label_names': ['90°'], 'filename': 'pulc_demo_imgs/image_orientation/1.jpg'}]
敬请期待。
敬请期待。
Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端，提供高性能的推理能力。相比于直接基于预训练模型进行预测，Paddle Inference可使用MKLDNN、CUDNN、TensorRT 进行预测加速，从而实现更优的推理性能。更多关于Paddle Inference推理引擎的介绍，可以参考Paddle Inference官网教程。
当使用 Paddle Inference 推理时，加载的模型类型为 inference 模型。本案例提供了两种获得 inference 模型的方法，如果希望得到和文档相同的结果，请选择直接下载 inference 模型的方式。
此处，我们提供了将权重和模型转换的脚本，执行该脚本可以得到对应的 inference 模型：
python3 tools/export_model.py \
-c ./ppcls/configs/PULC/image_orientation/PPLCNet_x1_0.yaml \
-o Global.pretrained_model=output/DistillationModel/best_model_student \
-o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_image_orientation_infer执行完该脚本后会在deploy/models/下生成PPLCNet_x1_0_image_orientation_infer文件夹，models 文件夹下应有如下文件结构：
├── PPLCNet_x1_0_image_orientation_infer
│ ├── inference.pdiparams
│ ├── inference.pdiparams.info
│ └── inference.pdmodel
备注： 此处的最佳权重是经过知识蒸馏后的权重路径，如果没有执行知识蒸馏的步骤，最佳模型保存在output/PPLCNet_x1_0/best_model.pdparams中。
6.1.1 小节提供了导出 inference 模型的方法，此处也提供了该场景可以下载的 inference 模型，可以直接下载体验。
cd deploy/models
# 下载inference 模型并解压
wget https://paddleclas.bj.bcebos.com/models/PULC/inference/image_orientation_infer.tar && tar -xf image_orientation_infer.tar
解压完毕后，models 文件夹下应有如下文件结构：
├── image_orientation_infer
│ ├── inference.pdiparams
│ ├── inference.pdiparams.info
│ └── inference.pdmodel
返回 deploy 目录：
cd ../
运行下面的命令，对图像 ./images/PULC/image_orientation/1.jpg 进行含文字图像方向分类。
# 使用下面的命令使用 GPU 进行预测
python3.7 python/predict_cls.py -c configs/PULC/image_orientation/inference_image_orientation.yaml
# 使用下面的命令使用 CPU 进行预测
python3.7 python/predict_cls.py -c configs/PULC/image_orientation/inference_image_orientation.yaml -o Global.use_gpu=False输出结果如下。
1.jpg: class id(s): [1], score(s): [0.93], label_name(s): ['90°']
其中，输出为top1的预测结果，0° 表示该图未旋转，90° 表示该图方向为逆时针90度，180° 表示该图文本方向为逆时针180度，270° 表示该图文本方向为逆时针270度。
如果希望预测文件夹内的图像，可以直接修改配置文件中的 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_cls.py -c configs/PULC/image_orientation/inference_image_orientation.yaml -o Global.infer_imgs="./images/PULC/image_orientation/"终端中会输出该文件夹内所有图像的分类结果，如下所示。
0.jpg: class id(s): [0], score(s): [0.93], label_name(s): ['0°']
1.jpg: class id(s): [1], score(s): [0.93], label_name(s): ['90°']
2.jpg: class id(s): [2], score(s): [0.92], label_name(s): ['180°']
3.jpg: class id(s): [3], score(s): [0.92], label_name(s): ['270°']
PaddleClas 提供了基于 C++ 预测引擎推理的示例，您可以参考服务器端 C++ 预测来完成相应的推理部署。如果您使用的是 Windows 平台，可以参考基于 Visual Studio 2019 Community CMake 编译指南完成相应的预测库编译和模型预测工作。
Paddle Serving 提供高性能、灵活易用的工业级在线推理服务。Paddle Serving 支持 RESTful、gRPC、bRPC 等多种协议，提供多种异构硬件和多种操作系统环境下推理解决方案。更多关于Paddle Serving 的介绍，可以参考Paddle Serving 代码仓库。
PaddleClas 提供了基于 Paddle Serving 来完成模型服务化部署的示例，您可以参考模型服务化部署来完成相应的部署工作。
Paddle Lite 是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，定位于支持包括移动端、嵌入式以及服务器端在内的多硬件平台。更多关于 Paddle Lite 的介绍，可以参考Paddle Lite 代码仓库。
PaddleClas 提供了基于 Paddle Lite 来完成模型端侧部署的示例，您可以参考端侧部署来完成相应的部署工作。
Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式。通过 ONNX 可以完成将 Paddle 模型到多种推理引擎的部署，包括TensorRT/OpenVINO/MNN/TNN/NCNN，以及其它对 ONNX 开源格式进行支持的推理引擎或硬件。更多关于 Paddle2ONNX 的介绍，可以参考Paddle2ONNX 代码仓库。
PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并作推理预测的示例，您可以参考Paddle2ONNX 模型转换与预测来完成相应的部署工作。