首页 > 其他分享 >【食物识别】flask部署

【食物识别】flask部署

时间：2024-06-05 17:33:02浏览次数：9  
标签：__ img flask image results 部署 import model 识别

文章目录

flask安装

pip install flask

创建flask应用

app.py

from flask import Flask, request, jsonify, send_file
import torch
from PIL import Image
import io
import base64
import os

app = Flask(__name__)

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='path_to_your_model.pt')

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 推理
    results = model(img)

    # 保存结果图片
    results.save(save_dir='results')  # 在results目录下保存结果图片

    # 获取推理结果信息
    predictions = results.pandas().xyxy[0].to_dict(orient="records")

    # 读取结果图片
    result_image_path = os.path.join('results', os.path.basename(file.filename))
    with open(result_image_path, "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

报错：

原因：

是因为torch.hub.load试图下载并运行一个外部仓库，但提供的路径是一个本地路径。因此，应该改用YOLOv5的本地加载方式，而不是通过torch.hub.load。

可以直接使用YOLOv5的官方API加载本地模型文件。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os

app = Flask(__name__)

# 加载本地模型
model = torch.load('best.pt')  # 直接加载模型
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 转换图像为Tensor
    img_tensor = torch.from_numpy(np.array(img)).permute(2, 0, 1).float().div(255.0).unsqueeze(0)

    # 推理
    results = model(img_tensor)

    # 处理结果
    results = results.pandas().xyxy[0]  # 结果转换为DataFrame

    # 保存结果图片
    results.render()  # 在原图上绘制结果
    result_img = Image.fromarray(results.imgs[0])
    result_img.save('result.jpg')

    # 获取推理结果信息
    predictions = results.to_dict(orient="records")

    # 读取结果图片
    with open("result.jpg", "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

然后又报错：

原因是torch.load加载模型时，返回的是一个包含模型和其他信息的字典，而不是模型本身。需要从字典中提取实际的模型对象。通常，保存的模型字典包含模型参数和一些元数据，因此需要创建模型实例并加载这些参数。

在YOLOv5中，使用torch.load直接加载模型的权重，然后将其加载到一个YOLOv5模型实例中。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os
import numpy as np
import sys

sys.path.append('./')  # 添加当前目录到系统路径
from models.common import DetectMultiBackend  # 导入YOLOv5模型

app = Flask(__name__)

# 加载本地模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('best.pt', device=device)  # 加载模型并指定设备
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 转换图像为Tensor
    img = np.array(img)
    img_tensor = torch.from_numpy(img).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)

    # 推理
    results = model(img_tensor)

    # 处理结果
    results = results.pandas().xyxy[0]  # 结果转换为DataFrame

    # 保存结果图片
    results.render()  # 在原图上绘制结果
    result_img = Image.fromarray(results.imgs[0])
    result_img.save('result.jpg')

    # 获取推理结果信息
    predictions = results.to_dict(orient="records")

    # 读取结果图片
    with open("result.jpg", "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

然后又报错：

这个之前在windows的时候遇到过，只需要添加以下代码：

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

然后总算能运行通了：

然后考虑暴露端口，

于是，将代码中的5000端口改成6006，然后

然后就会得到访问的网址：

然后来到apifox进行测试：

然后尝试发送，却报错：

在这里插入图片描述

后端报错：

RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 340 but got size 339 for tensor number 1 in the list.

这是因为在模型前向传播时，输入张量的大小不匹配。通常这是因为输入图像的尺寸在处理时出现问题。YOLOv5模型期望输入图像的尺寸是某些特定大小的倍数（例如32），否则可能会在处理过程中出错。

我们需要确保输入图像在推理之前进行预处理，以适应模型的输入要求。YOLOv5提供了一些内置的图像预处理工具，下面是修改后的代码，确保图像在推理之前进行适当的预处理。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os
import numpy as np
import sys

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

sys.path.append('./')  # 添加当前目录到系统路径
from models.common import DetectMultiBackend  # 导入YOLOv5模型
from utils.augmentations import letterbox  # 导入letterbox函数进行图像预处理

app = Flask(__name__)

# 加载本地模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('best.pt', device=device)  # 加载模型并指定设备
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 图像预处理
    img = np.array(img)
    img = letterbox(img, new_shape=(640, 640), auto=False)[0]  # 调整图像大小
    img_tensor = torch.from_numpy(img).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)

    # 推理
    results = model(img_tensor)

    # 处理结果
    results = results.pandas().xyxy[0]  # 结果转换为DataFrame

    # 保存结果图片
    results.render()  # 在原图上绘制结果
    result_img = Image.fromarray(results.imgs[0])
    result_img.save('result.jpg')

    # 获取推理结果信息
    predictions = results.to_dict(orient="records")

    # 读取结果图片
    with open("result.jpg", "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=6006)

然后再次尝试，又报错：

AttributeError: 'list' object has no attribute 'pandas'

这是因为推理结果results是一个列表而不是期望的Dataset对象。这可能是因为YOLOv5模型返回的结果格式不同于预期。要解决这个问题，我们需要确保results是一个Dataset对象，然后才能调用pandas()方法将其转换为DataFrame。

我们需要确保results是一个Dataset对象，如果不是，我们可以手动将其转换为Dataset对象。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os
import numpy as np
import sys

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

sys.path.append('./')  # 添加当前目录到系统路径
from models.common import DetectMultiBackend  # 导入YOLOv5模型
from utils.augmentations import letterbox  # 导入letterbox函数进行图像预处理

app = Flask(__name__)

# 加载本地模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('best.pt', device=device)  # 加载模型并指定设备
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 图像预处理
    img = np.array(img)
    img = letterbox(img, new_shape=(640, 640), auto=False)[0]  # 调整图像大小
    img_tensor = torch.from_numpy(img).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)

    # 推理
    results = model(img_tensor)

    # 如果结果是列表而不是Dataset对象，则手动转换
    if isinstance(results, list):
        from utils.general import non_max_suppression
        results = non_max_suppression(results, conf_thres=0.5, iou_thres=0.5)

    # 处理结果
    results = results[0]  # 获取第一个元素
    if results is not None:
        # 保存结果图片
        results.render()  # 在原图上绘制结果
        result_img = Image.fromarray(results.imgs[0])
        result_img.save('result.jpg')

        # 获取推理结果信息
        predictions = results.to_dict(orient="records")

        # 读取结果图片
        with open("result.jpg", "rb") as image_file:
            encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

        # 返回结果图片和推理信息
        return jsonify({
            'predictions': predictions,
            'result_image': encoded_string
        })
    else:
        return jsonify({'predictions': [], 'result_image': None})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=6006)

但是，最终没搞定，换方案！

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

# YOLOv5 

标签：__,img,flask,image,results,部署,import,model,识别	

From： https://blog.csdn.net/m0_63073740/article/details/139476040

相关文章

  • “粘土风格”轻松拿捏，基于函数计算部署 ComfyUI实现AI生图
    阿里云函数计算FC 一键部署火爆全球工作流AI生图平台——ComfyUI ，实现更高质量的图像生成，三步轻松完成“黏土”创意AI画作，晒图赢眼部按摩器等好礼！活动地址：https://developer.aliyun.com/topic/june/fc?spm=a2c6h.29234099.J_6985717350.4.65997562KE82EH实验准备目前在......
  • Linux 部署 MinIO（远程服务器）
      1.下载安装进入Linux内#我习惯放在local下cd/usr/local/#新建目录mkdirminio#进入目录cdminio下载路径：#下载地址wgethttps://dl.min.io/server/minio/release/linux-amd64/minio授权：#授权chmod+xminio 2.自定义配置自定义账号与登......
  • AnolisOS7.9(CentOS7)部署K8s(1.22.4)集群
    一.安装K8s集群1.准备工作，2台服务器①192.168.5.140-做为master节点#在该节点运行命令设置主机名：hostnamectlset-hostnamemaster②192.168.5.141-做为node1节点，在该节点运行命令设置主机名：#在该节点运行命令设置主机名：hostnamectlset-hostna......
  • docker部署hadoop集群
    docker部署hadoop集群：https://blog.51cto.com/865516915/2150651 一、主机规划3台主机：1个master、2个slaver/workerip地址使用docker默认的分配地址：master：主机名：hadoop2、ip地址：172.17.0.2 slaver1：主机名：hadoop3、ip地址：172.17.0.3主机名：hadoop4、ip地址：172.17......
  • Ubuntu server 24 (Linux) 安装部署smartdns 搭建智能DNS服务器
    SmartDNS是推荐本地运行的DNS服务器，SmartDNS接受本地客户端的DNS查询请求，从多个上游DNS服务器获取DNS查询结果，并将访问速度最快的结果返回给客户端，提高网络访问速度和准确性。支持指定域名IP地址，达到禁止过滤的效果。一安装smartdns1 关闭Ubuntu自带dns解析systemd-resolv......
  • IIS 安装和部署
    1.第一步 2.第二步:  第三步,把下面这些全安装上 4,第四步:在控制面板,将查看方式修改为小图标 5.找到"管理工具"有的电脑叫"windos工具"点击进入6.找到刚刚安装的IIS  7.添加网站 8,根据自己情况配置即可 ......
  • JAVA:实际工作中，项目上线——打包war，并部署到Tomcat中运行（史上最详细教程）
    每日一讲希望每天叫醒你的不是闹钟，而是梦想！目录每日一讲1.部署原因1.1Tomcat介绍 2.Tomcat下载及安装2.1Tomcat下载2.2Tomcat在IDEA上部署​2.3解决Tomcat乱码问题3.打包war文件，并在Tomcat目录下运行3.1打包文件3.2Tomcat环境配置3.3Tomcat运行1.部署原因......
  • 手动二进制部署的 kubernetes 集群证书过期处理
    现象一个二进制部署的kubernetes集群，突然发现无法连接到apiserver，执行kubectl时报错：Unabletoconnecttotheserver:x509:certificatehasexpiredorisnotyetvalid:currenttime2024-05-31T15:25:02+08:00isafter2024-05-29T08:07:53Z解决排查下来原因是......
  • Docker部署深度学习模型
    Docker部署深度学习模型基础概念DockerDocker是一个打包、分发和运行应用程序的平台，允许将你的应用程序和应用程序所依赖的整个环境打包在一起。比如我有一个目标检测的项目，我想分享给朋友，那么他首先需要在自己的电脑上配置好显卡驱动、CUDA、CuDNN，在拿到我的项目后，还需要安......
  • python学习 - 通过OpenCV库识别视频、图片画面等来捕捉人脸信息等
    #-*-coding:utf-8-*-#import进openCV的库importcv2importos#调用摄像头检测人脸并截图defCatchPICFromVideo(window_name,path_name):cv2.namedWindow(window_name)#视频来源，可以来自一段已存好的视频，也可以直接来自USB摄像头cap=cv2.......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99