代码拉取完成，页面将自动刷新
同步操作将从 PaddlePaddle/PaddleClas 强制同步，此操作会覆盖自 Fork 仓库以来所做的任何修改，且无法恢复！！！
确定后同步将在后台操作，完成时将刷新页面，请耐心等待。
首先请参考文档环境准备配置运行环境。
PP-ShiTu整个Pipeline包含三部分：主体检测、特征提取模型、特征检索。其中主体检测模型、特征提取模型可以单独推理使用。单独使用主体检测详见主体检测模型推理，特征提取模型单独推理详见特征提取模型推理， PP-ShiTu整体推理详见PP-ShiTu PipeLine推理。
进入 PaddleClas 的 deploy 目录下：
cd PaddleClas/deploy
准备 PaddleClas 提供的主体检测 inference 模型：
mkdir -p models
# 下载通用检测 inference 模型并解压
wget -nc -P ./models/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar
tar -xf ./models/picodet_PPLCNet_x2_5_mainbody_lite_v1.0_infer.tar -C ./models/
使用以下命令进行预测：
python3.7 python/predict_det.py -c configs/inference_det.yaml
在配置文件 configs/inference_det.yaml 中有以下字段用于配置预测参数：
Global.infer_imgs：待预测的图片文件路径；Global.use_gpu： 是否使用 GPU 预测，默认为 True。下面以商品图片的特征提取为例，介绍特征提取模型推理。首先进入 PaddleClas 的 deploy 目录下：
cd PaddleClas/deploy
准备 PaddleClas 提供的商品特征提取 inference 模型：
mkdir -p models
# 下载商品特征提取 inference 模型并解压
wget -nc -P ./models/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/inference/PP-ShiTuV2/general_PPLCNetV2_base_pretrained_v1.0_infer.tar
tar -xf ./models/general_PPLCNetV2_base_pretrained_v1.0_infer.tar -C ./models/
使用以下命令进行预测：
python3.7 python/predict_rec.py -c configs/inference_rec.yaml
上述预测命令可以得到一个 512 维的特征向量，直接输出在在命令行中。
在配置文件 configs/inference_rec.yaml 中有以下字段用于配置预测参数：
Global.infer_imgs：待预测的图片文件路径；Global.use_gpu： 是否使用 GPU 预测，默认为 True。主体检测、特征提取和向量检索的串联预测，可以参考图像识别快速开始。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。