项目场景:
因为参加一个比赛,需要把训练好的深度学习模型部署到web端,第一次做,在网上也搜索了很多教程,基本上没有适合自己的,只有一个b站up主讲的还不错https://www.bilibili.com/video/BV1Qv41117SR/?spm_id_from=333.999.0.0&vd_source=6ca6a313467efae52a28428a64104c10https://www.bilibili.com/video/BV1Qv41117SR/?spm_id_from=333.999.0.0&vd_source=6ca6a313467efae52a28428a64104c10在前端的一部分html语言借鉴了这个up主,有兴趣的可以去看看。在部署的时候遇到了很多坑,就想记录一下,仅代表个人看法
项目场景:角膜疾病图片识别算法(pytorch环境),用Flask轻量级框架部署到web端并部署到阿里云服务器进行测试。
流程:
1.写预测函数
1.1将训练好的模型参数加载到模型中去
checkpoint_path = "/model_best.pth.tar" #训练好的模型参数(要注意保存模型的时候是保存了模型还是模型参数,这里是模型参数)
model = res50Encoder(attention_map_num, class_num) #加载模型
model.load_state_dict(torch.load(checkpoint_path,map_location='cpu')['state_dict'])#(将参数加载到模型中去)
model.eval() #pytorch框架会自动把BN和Dropout固定住,直接用训练好的值
1.2 数据预处理模块
data_transform = transforms.Compose([
transforms.Resize((n, m)),
transforms.CenterCrop(num),
transforms.ToTensor(),
transforms.Normalize(a,b),
]) #根据自己的模型,写出数据预处理模块,n,m,num,a,b按照自己的模型填写
1.3 加载数据(我是图片的二进制格式)
img = Image.open(io.BytesIO(image_bytes)) #将图片的二进制文件转化
img = data_transform(img) #数据变换
img = img.float().unsqueeze(0) #数据调整维度
1.4 数据标签,根据自己的模型数据集的标签定义
class_labels=['','',''] #自己往''填label
1.5 开始预测
with torch.no_grad():
attention_maps, _, output1, coarse_logits= model(img.cpu())
refined_input = mask2bbox(attention_maps, img.cpu())
_, _, output2, _= model(refined_input)
output = (output1 + output2) / 2
output = torch.softmax(output, dim=-1)
#根据output输出标签值
_, pred = torch.max(output, 1)
pred_label = class_labels[pred.item()]
2. 利用Flask框架部署
直接看代码吧,这是app.py
#app.py
from flask import Flask, jsonify, request
from yuce import pred
from flask_cors import CORS
import flask
app = Flask(__name__)
CORS(app) #跨域问题
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
file = request.files['file']
print(file)
img_bytes = file.read()
class_name = pred(img_bytes) #预测函数pred()(第一个步骤写的)
if(class_name ):
print("结果:"+class_name)
else:
print("error")
return jsonify({ 'class_name': class_name})
return jsonify({"your call is GET"}) #将化成标签json格式
@app.route("/",methods = ['POST','GET'])
def root():
return flask.render_template("upload.html") #前端交互界面
if __name__ == '__main__':
app.run(host="0.0.0.0",port=80,debug=True)
3.写前端交互界面upload.html(借鉴b站up主,前面有提到)
可自行去up主的GitHub下载https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/deploying_service/deploying_pytorchhttps://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/deploying_service/deploying_pytorch
4.在本地成功跑起来后,可以得到这样一个界面
然后就可以自行上传图片进行预测
5.阿里云服务器部署
5.1首先要准备一个阿里云服务器,新人有一个月的优惠,但是只能租用cpu,所以如果你的模型是gpu请自行购买gpu服务器,当然你也可以改变你的模型,用cpu跑(因为穷,所以我就把模型改成cpu跑,从第一步的代码可以看出,当然要小心输入要一致,也要用.cpu)。然后我选择的是ubuntu系统
5.2准备好xshell7和xftp7两个软件,xshelll7是可以登录你的ssh,然后用来跑代码。xftp7是上传文件,可以从本地把文件传到服务器上去。
xshell7登录:
将自己的ssh填上去,然后用户身份验证进行登录。
xftp7登录:和上图差不多
然后就可以在服务器上跑代码,但是要注意安装相对应的库,需要小心代码中的路径问题,当服务器上面成功跑起来,就可以用公网IP访。(再将公网IP部署到你的域名,就可以访问网址,注意备案!!,不然会被封号)
问题描述+解决问题
部署过程中遇到很多困难
1.注意安装jQuery库,可以去up主的github上直接下载,注意安装到static库下面
2.注意你买的服务器类型,如果是cpu要修改输入!!!
#(将参数加载到模型中去)
model.load_state_dict(torch.load(checkpoint_path,map_location='cpu')['state_dict'])
#注意img.cpu()
attention_maps, _, output1, coarse_logits= model(img.cpu())
refined_input = mask2bbox(attention_maps, img.cpu())
3.部署到服务器上去可能会遇到无法响应的情况,可能是端口没有开启,可以去阿里云的网络安全组开启端口,我的端口是80,可以在下图中自己手动修改!!开启后,打开要用公网ip!!!
如果还是无法访问可以自行查看阿里云的帮助ECS实例的安全组规则未生效_云服务器 ECS-阿里云帮助中心文章来源:https://www.toymoban.com/news/detail-467747.html
小结:
第一次自己部署深度模型,经验不足,仅供参考。文章来源地址https://www.toymoban.com/news/detail-467747.html
到了这里,关于深度学习模型部署——Flask框架轻量级部署+阿里云服务器的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!