深度学习模型部署——Flask框架轻量级部署+阿里云服务器-Toy模板网

这篇具有很好参考价值的文章主要介绍了深度学习模型部署——Flask框架轻量级部署+阿里云服务器。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

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

深度学习模型部署——Flask框架轻量级部署+阿里云服务器

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：

深度学习模型部署——Flask框架轻量级部署+阿里云服务器

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

深度学习模型部署——Flask框架轻量级部署+阿里云服务器

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

深度学习模型部署——Flask框架轻量级部署+阿里云服务器

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())