长沙网站制作哪家专业,网站开发的理解,wordpress主题菜单,在线制作假亲子鉴定书基于Flask的模型部署
一、背景
Flask#xff1a;一个使用Python编写的轻量级Web应用程序框架#xff1b;
首先需要明确模型部署的两种方式#xff1a;在线和离线#xff1b;
在线#xff1a;就是将模型部署到类似于服务器上#xff0c;调用需要通过网络传输数据…基于Flask的模型部署
一、背景
Flask一个使用Python编写的轻量级Web应用程序框架
首先需要明确模型部署的两种方式在线和离线
在线就是将模型部署到类似于服务器上调用需要通过网络传输数据再将结果返回
离线就是将模型直接部署在终端设备上不需要联网数据传输上比较快
二、Flask简单部署分类模型
通过一个实际的分类案例来说明整个实现的流程
首先Flask分为服务端和设备端服务端就是接受数据并处理应用端只负责发送数据和展示结果
实现步骤
------服务端-------
1、初始化Flask app
可以理解为初始化一个服务器对象
app flask.Flask(__name__)2、加载模型
def load_model():global modelmodel resnet50(pretrainedTrue) # 这里模型可以替换成自己的模型model.eval()if use_gpu:model.cuda()这里是所有模型通用的如果是一些模型需要将模型结构的代码和模型文件都准备好
3、数据预处理
推理部分的数据处理应该与模型训练前的处理保持一致否则可能导致结果出现较大偏差
def prepare_image(image, target_size):if image.mode ! RGB:image image.convert(RGB) # 转换图像为RGB类型# 缩放图像image T.Resize(target_size)(image)image T.ToTensor()(image)# 归一化image T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])(image)# 这里表示可以配置多个图像作为一个batchimage image[None]if use_gpu:image image.cuda() # 使用GPUreturn Variable(image, volatileTrue) #不需要求导上述的数据处理是最基本并且简单的数据处理在很多任务中的数据预处理会复杂很多
4、开启服务
# 注意这里的predict可以自行修改但需要和后面的端口后缀保持一致
app.route(/predict, methods[POST]) # 这里是python的装饰器
def predict():# 初始化一个返回列表并且用一个变量表示是否调用成功data {success: False}# 确保传入数据为图像并且将图像数据经过数据处理if flask.request.method POST:if flask.request.files.get(image): # 这里用于判断接受的对象# 读取图像数据image flask.request.files[image].read() # 读取实际路径image Image.open(io.BytesIO(image)) #二进制数据# 数据预处理image prepare_image(image, target_size(224, 224))# 得到模型输出的结果取出前K个结果preds F.softmax(model(image), dim1)results torch.topk(preds.cpu().data, k3, dim1)results (results[0].cpu().numpy(), results[1].cpu().numpy())# 结果保存到要传回的列表中data[predictions] list()# 根据标签值找到对应对象的实际类别for prob, label in zip(results[0][0], results[1][0]):label_name idx2label[label]r {label: label_name, probability: float(prob)}data[predictions].append(r)# 设置返回列表调用成功data[success] True# 将数据转为json并返回return flask.jsonify(data)这里是服务的具体执行程序也就是接收数据和处理数据并将结果返回
这里可以做UI的可视化界面本次只是演示效果就不进行设计
执行该程序后出现一个访问地址和端口号如下图所示 这里是部署到本地的服务器上在实际工程中一般是部署到一台公共服务器上将服务开放为接口供但部分应用使用
------应用端-------
1、初始化服务接口
PyTorch_REST_API_URL http://127.0.0.1:5000/predict2、请求服务并展示结果
def predict_result(image_path):# 读取图像数据保存到数组中image open(image_path, rb).read()payload {image: image}# 请求服务r requests.post(PyTorch_REST_API_URL, filespayload).json()# 确保服务返回成功if r[success]:# 遍历结果并打印出来for (i, result) in enumerate(r[predictions]):print({}. {}: {:.4f}.format(i 1, result[label],result[probability]))# 如果服务请求失败返回失败else:print(Request failed)上面就是传入一张狗狗图像后打印的结果可以看出服务能够正常运行
总结
虽然是一个简单的分类项目但整体部署的流程以及一些代码的模板是不变的换成别的任务可能会复杂一些主要还是前后处理相对复杂一些并且做UI界面的话也会相对复杂一些
