PaddleClas 2.6 发布，新增细粒度商品识别、特色多标签分类等前沿算法和检索能力！...
💡
原文中文，约4100字，阅读约需10分钟。
📝
内容提要
PaddleClas 2.6 版本发布，新增多种图像分类和检索算法，支持低代码开发。新增 MobileNetV4、StarNet、FasterNet 等模型，增强人脸识别和特征提取性能，适用于多标签分类和开放域检测。
🎯
关键要点
- PaddleClas 2.6 版本发布，新增多种图像分类和检索算法，支持低代码开发。
- 新增前沿图像分类算法模型：MobileNetV4、StarNet、FasterNet。
- 新增特色多标签分类算法模型，提升多标签分类能力。
- PP-ShiTuV2系统增强，新增服务端图像特征模型，提升特征提取性能。
- 新增人脸识别能力，支持端到端人脸识别。
- PaddleX支持低代码全流程开发，简化模型使用和定制。
- 单标签图像分类支持最新算法模型，提升识别精度。
- 多标签分类模型提供更丰富的信息，适用于复杂场景。
- 人脸识别任务广泛应用于安全认证和社交媒体。
- 提供简单易用的Python API，支持快速体验和部署。
❓
延伸问答
PaddleClas 2.6 版本有哪些新功能？
PaddleClas 2.6 版本新增了多种图像分类和检索算法，支持低代码开发，新增 MobileNetV4、StarNet、FasterNet 等模型，增强了多标签分类和人脸识别能力。
PaddleClas 中的多标签分类模型有什么优势？
多标签分类模型能够提供更丰富的信息，适用于复杂场景，如识别图像中的多个动物类别或人的多种属性。
PaddleClas 如何支持低代码开发？
PaddleClas 通过 PaddleX 提供低代码全流程开发，简化模型使用和定制，支持一键调用多种模型，降低开发难度。
PaddleClas 的人脸识别能力如何？
PaddleClas 新增了人脸识别能力，支持端到端的人脸识别，应用于安全认证和社交媒体等场景。
PP-ShiTuV2 系统的特点是什么？
PP-ShiTuV2 系统整合了主体检测模型、图像特征模型和向量检索模块，提供创新的开放域目标检测解决方案，特征提取性能显著提升。
PaddleClas 中的 MobileNetV4 模型有什么特点？
MobileNetV4 是为移动设备设计的卷积神经网络，集成了多种前沿网络设计架构，在 ImageNet 数据集上实现了87%的高精度。
➡️
