PaddleHub DEMO项目合集(运行版)

二、文本-文本审核

porn_detection_lstm模型

porn_detection_lstm模型是色情检测模型可自动判别文本是否涉黄并给出相应的置信度，对文本中的色情描述、低俗交友、污秽文爱进行识别。porn_detection_lstm采用LSTM网络结构并按字粒度进行切词，具有较高的分类精度。

|____PaddleHub色情检测模型

• 输入："黄片下载", "打击黄牛党"
• 输出：{'text': '黄片下载', 'porn_detection_label': 1, 'porn_detection_key': 'porn', 'porn_probs': 0.9879, 'not_porn_probs': 0.0121}, {'text': '打击黄牛党', 'porn_detection_label': 0, 'porn_detection_key': 'not_porn', 'porn_probs': 0.0004, 'not_porn_probs': 0.9996}

三、文本-文本生成

ernie_tiny_couplet模型

ernie_tiny_couplet是一个对联生成模型，它由ernie_tiny预训练模型经PaddleHub TextGenerationTask微调而来，仅支持预测，如需进一步微调请参考PaddleHub text_generation demo。

|____PaddleHub一键对联生成

• 输入："风吹云乱天垂泪"
• 输出：['雨打芭蕉水皱眉', '月照花开水皱眉', '雨润花开水皱眉', '月照水柔水皱眉', '月照水柔水颦眉', '雨打芭蕉水含情', '月照花开水含羞', '雨打芭蕉水洗心', '月照花开水含情', '月照花开夜暗香']

四、文本-词法分析

lac模型

LAC模型是一个联合的词法分析模型，能整体性地完成中文分词、词性标注、专名识别任务。在百度自建数据集上评测，LAC效果：Precision=88.0%，Recall=88.7%，F1-Score=88.4%。该PaddleHub Module支持预测。

|____PaddleHub预训练模型LAC完成词法分析

• 输入："今天是个好日子"
• 输出：['今天', '是', '个', '好日子']

五、文本-句法分析

DDParser模型

DDParser（Baidu Dependency Parser）是百度NLP基于大规模标注数据和深度学习平台飞桨研发的中文依存句法分析工具，可帮助用户直接获取输入文本中的关联词对、长距离依赖词对等。

|____PaddleHub预训练模型DDParser完成句法分析

• 输入："百度是一家高科技公司"
• 输出：['百度', '是', '一家', '高科技', '公司']

六、文本-情感分析

senta_bilstm模型

情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度，能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持。

|____基于PaddleHub预训练模型Senta完成情感分析预测（傻瓜式推理版）

• 输入："这家餐厅很好吃"
• 输出："这家餐厅很好吃 positive"

七、图像-图像分类

resnet50_vd_animals模型

ResNet-vd 其实就是 ResNet-D，是ResNet 原始结构的变种，可用于图像分类和特征提取。该 PaddleHub Module 采用百度自建动物数据集训练得到，支持7978种动物的分类识别。

|____PaddleHub一键动物识别

• 输入：

• 输出：

  {'国宝大熊猫': 0.8182597160339355} {'布偶猫': 0.10593486577272415} {'红鹳': 0.9956996440887451} {'猕猴': 0.6345013380050659} {'树蛙': 0.9474840760231018}

八、图像-关键点检测

openpose_hands_estimation和openpose_body_estimation模型

openpose_hands_estimation是基于 'Hand Keypoint Detection in Single Images using Multiview Bootstrapping' 构建的用于手部关键点检测的模型，该模型需要与openpose_body_estimation模型联合使用检测肢体和手部关键点

|____PaddleHub检测肢体和手部关键点

• 实现效果

human_pose_estimation_resnet50_mpii模型

人体骨骼关键点检测(Pose Estimation) 是计算机视觉的基础性算法之一，在诸多计算机视觉任务起到了基础性的作用，如行为识别、人物跟踪、步态识别等相关领域。具体应用主要集中在智能视频监控，病人监护系统，人机交互，虚拟现实，人体动画，智能家居，智能安防，运动员辅助训练等等。 该模型的论文《Simple Baselines for Human Pose Estimation and Tracking》由 MSRA 发表于 ECCV18，使用 MPII 数据集训练完成。

|____PaddleHub人体骨骼关键点检测

• 实现效果

hand_pose_localization模型

openpose 手部关键点检测模型。

|____PaddleHub手部关键点检测

• 实现效果

face_landmark_localization模型

人脸关键点检测是人脸识别和分析领域中的关键一步，它是诸如自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口。该 PaddleHub Module 的模型转换自 https://github.com/lsy17096535/face-landmark ，支持同一张图中的多个人脸检测。

|____PaddleHub人脸关键点检测

• 实现效果

|____PaddleHub实战——人像美颜

• 实现效果

十二、图像-人脸检测

ultra_light_fast_generic_face_detector_1mb_640模型

本示例利用Ultra-Light-Fast-Generic-Face-Detector-1MB模型完成人脸检测。Ultra-Light-Fast-Generic-Face-Detector-1MB是针对边缘计算设备或低算力设备(如用ARM推理)设计的实时超轻量级通用人脸检测模型，可以在低算力设备中如用ARM进行实时的通用场景的人脸检测推理。该PaddleHub Module的预训练数据集为WIDER FACE数据集，可支持预测，在预测时会将图片输入缩放为640 * 480。

|____PaddleHub人脸检测示例

• 实现效果

十四、图像-图像分割

deeplabv3p_xception65_humanseg模型

本示例用DeepLabv3+模型完成一键抠图。DeepLabv3+ 是Google DeepLab语义分割系列网络的最新作，其前作有 DeepLabv1，DeepLabv2, DeepLabv3。在最新作中，作者通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层， 其骨干网络使用了Xception模型，提高了语义分割的健壮性和运行速率，在 PASCAL VOC 2012 dataset取得新的state-of-art performance。在完成一键抠图之后，通过图像合成，实现扣图比赛任务

|____PaddleHub抠图及图片合成

• 实现效果