本文主要介绍通过 PaddleClas whl 包，使用 PULC 系列模型进行预测。
- 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。
pip3 install paddleclasPaddleClas 提供了一系列测试图片，里边包含人、车、OCR等方向的多个场景的demo数据。点击这里下载并解压，然后在终端中切换到相应目录。
cd /path/to/pulc_demo_imgs
使用命令行预测：
paddleclas --model_name=person_exists --infer_imgs=pulc_demo_imgs/person_exists/objects365_01780782.jpg结果如下：
>>> result
class_ids: [0], scores: [0.9955421453341842], label_names: ['nobody'], filename: pulc_demo_imgs/person_exists/objects365_01780782.jpg
Predict complete!
若预测结果为 nobody，表示该图中没有人，若预测结果为 someone，则表示该图中有人。此处预测结果为 nobody，表示该图中没有人。
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，如需要替换模型，更改 --model_name 中的模型名字即可，模型名字可以参考2.3 模型列表。
此处提供了在 python 脚本中使用 PULC 有人/无人分类模型预测的例子。
import paddleclas
model = paddleclas.PaddleClas(model_name="person_exists")
result = model.predict(input_data="pulc_demo_imgs/person_exists/objects365_01780782.jpg")
print(next(result))打印的结果如下：
>>> result
[{'class_ids': [0], 'scores': [0.9955421453341842], 'label_names': ['nobody'], 'filename': 'pulc_demo_imgs/person_exists/objects365_01780782.jpg'}]
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="person_exists", batch_size=2)。更换其他模型只需要替换model_name, model_name,可以参考2.3 模型列表。
PULC 系列模型的名称和简介如下：
| 模型名称 | 模型简介 |
|---|---|
| person_exists | PULC有人/无人分类模型 |
| person_attribute | PULC人体属性识别模型 |
| safety_helmet | PULC佩戴安全帽分类模型 |
| traffic_sign | PULC交通标志分类模型 |
| vehicle_attribute | PULC车辆属性识别模型 |
| car_exists | PULC有车/无车分类模型 |
| text_image_orientation | PULC含文字图像方向分类模型 |
| textline_orientation | PULC文本行方向分类模型 |
| language_classification | PULC语种分类模型 |
通过本节内容，相信您已经熟练掌握 PaddleClas whl 包的 PULC 模型使用方法并获得了初步效果。
PULC 方法产出的系列模型在人、车、OCR等方向的多个场景中均验证有效，用超轻量模型就可实现与 SwinTransformer 模型接近的精度，预测速度提高 40+ 倍。并且打通数据、模型训练、压缩和推理部署全流程，具体地，您可以参考PULC有人/无人分类模型、PULC人体属性识别模型、PULC佩戴安全帽分类模型、PULC交通标志分类模型、PULC车辆属性识别模型、PULC有车/无车分类模型、PULC含文字图像方向分类模型、PULC文本行方向分类模型、PULC语种分类模型。