跳转至

图像识别

模型基本信息

MobileNet V2 是一个轻量化的卷积神经网络，它在 MobileNet 的基础上，做了 Inverted Residuals 和 Linear bottlenecks 这两大改进。该 PaddleHub Module 是在百度自建动物数据集上训练得到的，可用于图像分类和特征提取，当前已支持 7978 种动物的分类识别。模型的详情可参考论文。

参考：https://github.com/PaddlePaddle/PaddleHub/blob/release/v2.2/modules/image/face_detection/pyramidbox_lite_server

样本结果示例

输入文件路径，模型将给出它的预测：

图片来源 (https://www.pexels.com)

animal

松鼠

现在就来试试吧

先决条件

1、环境依赖

请访问 依赖项

2、mobilenet_v2_animals 依赖

  • paddlepaddle >= 1.6.2

  • paddlehub >= 1.6.0

3、下载模型

hub install pyramidbox_lite_server

服务模型

安装 Pinferencia

首先，让我们安装 Pinferencia。

pip install "pinferencia[streamlit]"

创建app.py

让我们将我们的预测函数保存到一个文件 app.py 中并添加一些行来注册它。

app.py
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import base64

import cv2
import numpy as np
import paddlehub as hub

from pinferencia import Server, task

classifier = hub.Module(name="mobilenet_v2_animals")


def base64_str_to_cv2(base64_str: str) -> np.ndarray:
    return cv2.imdecode(
        np.fromstring(base64.b64decode(base64_str), np.uint8), cv2.IMREAD_COLOR
    )


def predict(data: list) -> list:
    images = [base64_str_to_cv2(base64_img_str) for base64_img_str in data]
    return classifier.classification(images=images)


service = Server()
service.register(
    model_name="classifier",
    model=predict,
    metadata={"task": task.IMAGE_TO_TEXT},
)

运行服务，等待它加载模型并启动服务器：

$ uvicorn app:service --reload
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO:     Started reloader process [xxxxx] using statreload
INFO:     Started server process [xxxxx]
INFO:     Waiting for application startup.
INFO:     Application startup complete.

$ pinfer app:service --reload

Pinferencia: Frontend component streamlit is starting...
Pinferencia: Backend component uvicorn is starting...

测试服务

提示

图片存在于 service 机器上，可输入对于 service 文件的相对路径或者是文件的绝对路径

打开http://127.0.0.1:8501，模板 Url Image To Text 会自动选中。

png

请求

curl --location --request POST \
    'http://127.0.0.1:8000/v1/models/classifier/predict' \
    --header 'Content-Type: application/json' \
    --data-raw '{"data": ["/9j/4AAQS........"]}'

响应

{
    "model_name": "classifier",
    "data": [
        {
            "松鼠": 0.9506056308746338
        }
    ]
}

创建test.py。

test.py
1
2
3
4
5
6
7
8
9
import requests


response = requests.post(
    url="http://localhost:8000/v1/models/classifier/predict",
    headers = {"Content-type": "application/json"},
    json={"data": ["/9j/4AAQS........"]},
)
print(response.json())
运行脚本并检查结果。

$ python test.py
{
    "model_name": "classifier",
    "data": [
        {
            "松鼠": 0.9506056308746338
        }
    ]
}

更酷的是，访问 http://127.0.0.1:8000，您将拥有一个完整的 API 文档。

您甚至也可以在那里发送预测请求！