【ModelScope】部署一个属于自己的AI服务-Toy模板网

这篇具有很好参考价值的文章主要介绍了【ModelScope】部署一个属于自己的AI服务。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。

前言

技术栈是Fastapi。

FastAPI 是一个现代、快速（基于 Starlette 和 Pydantic）、易于使用的 Python web 框架，主要用于构建 RESTful API。以下是 FastAPI 的一些优势：

性能卓越： FastAPI 基于 Starlette 框架，并使用 Pydantic 进行数据验证，因此具有出色的性能。它通过异步编程利用 Python 3.7+ 中的 async/await 特性，使其能够处理大量并发请求。
自动文档生成： FastAPI 自动生成交互式 API 文档（Swagger UI 和 ReDoc），让开发者能够轻松地查看和测试 API 端点，同时提供即时的反馈和文档。
强类型注解： FastAPI 使用 Python 的类型提示来定义 API，同时利用 Pydantic 模型进行请求和响应的验证，这提供了强大的静态类型检查和自动文档的支持。
自动验证： 使用 Pydantic 模型，FastAPI 自动验证请求的数据，并在数据不符合预期时返回错误。这有助于提高代码的稳健性和可维护性。
异步支持： 支持异步处理请求，可以使用异步函数来处理请求，使得 FastAPI 在处理高并发时表现出色。
便捷的依赖注入系统： FastAPI 提供了一个灵活的依赖注入系统，让你能够方便地注入和管理依赖项，使代码更加清晰和可测试。
WebSocket 支持： FastAPI 提供了对 WebSocket 的原生支持，能够轻松地实现实时通信。
易于学习： FastAPI 的语法和设计理念使其易于学习和使用，特别是对于熟悉 Python 的开发者。

安装modelscope

conda create -n modelscope python=3.8
conda activate modelscope
pip install modelscope

激活虚拟环境

conda activate modelscope

server.py代码

import argparse

import uvicorn
from fastapi import FastAPI

from modelscope.server.api.routers.router import api_router
from modelscope.server.core.event_handlers import (start_app_handler,
                                                   stop_app_handler)


def get_app(args) -> FastAPI:
    app = FastAPI(
        title='modelscope_server',
        version='0.1',
        debug=True,
        swagger_ui_parameters={'tryItOutEnabled': True})
    app.state.args = args
    app.include_router(api_router)

    app.add_event_handler('startup', start_app_handler(app))
    app.add_event_handler('shutdown', stop_app_handler(app))
    return app


def add_server_args(parser):
    parser.add_argument(
        '--model_id', required=True, type=str, help='The target model id')
    parser.add_argument(
        '--revision', required=True, type=str, help='Model revision')
    parser.add_argument('--host', default='0.0.0.0', help='Host to listen')
    parser.add_argument('--port', type=int, default=8000, help='Server port')
    parser.add_argument('--debug', default='debug', help='Set debug level.')
    parser.add_argument(
        '--llm_first',
        type=bool,
        default=True,
        help='Use LLMPipeline first for llm models.')


if __name__ == '__main__':
    parser = argparse.ArgumentParser('modelscope_server')
    add_server_args(parser)
    args = parser.parse_args()
    app = get_app(args)
    uvicorn.run(app, host=args.host, port=args.port)

任务一：人脸检测

命令行中虚拟环境中运行脚本

python server.py --model_id damo/cv_resnet50_face-detection_retinaface --revision v2.0.2

【ModelScope】部署一个属于自己的AI服务,人工智能

访问http://127.0.0.1:8000/docs打开文档

【ModelScope】部署一个属于自己的AI服务,人工智能

describe方法描述请求参数和输出形式

{
  "schema": {
    "task_name": "face-detection",
    "schema": {
      "input": {
        "type": "object",
        "properties": {
          "image": {
            "type": "string",
            "description": "Base64 encoded image file or url string."
          }
        }
      },
      "parameters": {},
      "output": {
        "type": "object",
        "properties": {
          "scores": {
            "type": "array",
            "items": {
              "type": "number"
            }
          },
          "boxes": {
            "type": "array",
            "items": {
              "type": "number"
            }
          },
          "keypoints": {
            "type": "array",
            "items": {
              "type": "number"
            }
          }
        }
      }
    }
  },
  "sample": null
}

call方法(是模型推理的入口)
- 两种请求方式(post)
- curl方式(encode_base64表示图片转换为base64后的形式)

图片转换base64的链接可以使用在线转https://tool.jisuapi.com/pic2base64.html

curl -X 'POST' \ 'http://127.0.0.1:8000/call' \ -H 'accept: application/json' \ -H 'Content-Type: application/json' \ -d '{ "input":{"image":"encode_base64"}'

face-detection_retinaface请求参数体(界面请求)直接使用fastapi界面请求或者使用apifox等
```
{"input":{"image":"encode_base64"}}
```
请求结果

【ModelScope】部署一个属于自己的AI服务,人工智能

返回结果解释

{
    "scores": [
        0.9998026490211487
    ],
    "boxes": [
        [
            164.9207000732422,
            82.86209106445312,
            353.395263671875,
            340.145263671875
        ]
    ],
    "keypoints": [
        [
            214.5664520263672,
            188.255859375,
            303.5237121582031,
            190.91671752929688,
            256.9284362792969,
            242.95065307617188,
            223.42758178710938,
            283.54241943359375,
            287.28448486328125,
            286.402587890625
        ]
    ]
}

返回图像中人脸的分数，越大表示有人脸的可能性越大，boxes表示人脸的矩形框，左上角x,y坐标和右下角x,y坐标,keypoints返回左眼、右眼、鼻尖、左嘴角、右嘴角的坐标值x,y。

输入图片

【ModelScope】部署一个属于自己的AI服务,人工智能

根据boxes和keypoints画图

import cv2

# 读取图像
image = cv2.imread('0.png')

# 定义矩形框的坐标和大小

x, y, x1, y1 = 164,82,353,340
w = 353-164
h = 340-82

# 画矩形框
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 显示结果
# cv2.imshow('Rectangle', image)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
cv2.imwrite('0_rectangle.png', image)

import cv2

# 读取图像
image = cv2.imread('0.png')


radius = 5  # 点的半径
color = (0, 0, 255)  # 点的颜色，通常使用BGR格式
thickness = -1  # 为了画一个实心圆，线条宽度设置为-1
keypoints = [214.5664520263672,
188.255859375,
303.5237121582031,
190.91671752929688,
256.9284362792969,
242.95065307617188,
223.42758178710938,
283.54241943359375,
287.28448486328125,
286.402587890625]
print(len(keypoints))
for i in range(0,len(keypoints),2):
    
    cv2.circle(image, (int(keypoints[i]),int(keypoints[i+1])), radius, color, thickness)

# 显示结果
# cv2.imshow('Point', image)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
cv2.imwrite('0_keypoints.png', image)

【ModelScope】部署一个属于自己的AI服务,人工智能

需要注意的是不同的任务请求体的内容不一样，需要明确每个任务的请求参数具体有哪些。

任务二：人脸融合

第二种任务，人脸融合，需要重启服务，将model_id和revision替换。

python server.py --model_id damo/cv_unet-image-face-fusion_damo --revision v1.3

此时访问http://127.0.0.1/docs

执行一下describe方法

{
  "schema": {
    "task_name": "image-face-fusion",
    "schema": {
      "input": {
        "type": "object",
        "properties": {
          "template": {
            "type": "string",
            "description": "Base64 encoded image file or url string."
          },
          "user": {
            "type": "string",
            "description": "Base64 encoded image file or url string."
          }
        }
      },
      "parameters": {
        "type": "object",
        "properties": {
          "user": {
            "type": "object",
            "default": null
          }
        }
      },
      "output": {
        "type": "object",
        "properties": {
          "output_img": {
            "type": "string",
            "description": "The base64 encoded image."
          }
        }
      }
    }
  },
  "sample": null
}

input有两个参数，第一个是template，表示模版；第二个参数是user，表示用户的图片，最终的目的就是将用户的图片的脸替换到模版上

parameters参数一般使用默认的就行，不填，如果有特殊需求可自行尝试

output会返回一个换好脸图像的base64编码

请求体

{
  "input": {
    "template": "base64_template",
    "user":"bas64_user"
  }
}

template

【ModelScope】部署一个属于自己的AI服务,人工智能

User

【ModelScope】部署一个属于自己的AI服务,人工智能

Ourput

【ModelScope】部署一个属于自己的AI服务,人工智能

参考链接：

https://github.com/modelscope/modelscope/blob/master/modelscope/server/api_server.py 文章来源地址https://www.toymoban.com/news/detail-780266.html

到了这里，关于【ModelScope】部署一个属于自己的AI服务的文章就介绍完了。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！

【ModelScope】部署一个属于自己的AI服务

前言

安装modelscope

激活虚拟环境

server.py代码

任务一：人脸检测

任务二：人脸融合

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

支付宝扫一扫领取红包，优惠每天领

二维码1

二维码2