您的位置: 首页  >  文章  >  Faster R-CNN模型工程部署（pytorch）

Faster R-CNN模型工程部署（pytorch）

分类: 文章 • 2024-09-16 08:50:16

前言

因为本人最近在做一个与目标检测有关的项目，最开始只是跑一跑模型，但是后来乙方提出要求需要有我们提出部署方案并实施，最开始在网上查了许多资料，发现现在有许多都是tensorflow的一些部署，而关于pytorch部署这方面实际的资料着实很少，鉴于自己最后调了出来，因而想着写一个博客和大家分享一下，相互学习学习。

1.FLask

Flask是一个 web 框架。也就是说 Flask 为你提供工具，库和技术来允许你构建一个 web 应用程序。这个 wdb 应用程序可以使一些 web 页面、博客、wiki、基于 web 的日历应用或商业网站。Flask 属于微框架（micro-framework）这一类别，微架构通常是很小的不依赖于外部库的框架。这既有优点也有缺点，优点是框架很轻量，更新时依赖少，并且专注安全方面的 bug，缺点是，你不得不自己做更多的工作，或通过添加插件增加自己的依赖列表。
Flask 的依赖如下：

维基百科 WSGI 的介绍：

Web服务器网关接口（Python Web Server Gateway Interface，缩写为WSGI）是为Python语言定义的Web服务器和Web应用程序或框架之间的一种简单而通用的接口)。自从WSGI被开发出来以后，许多其它语言中也出现了类似接口。

flask中文资料参考网站：http://www.pythondoc.com/flask/index.html

2.实现

我们自己在做模型测试的过程中，不难发现每次加载模型都需要很多的时间，如果我们进行网络部署的话，每次得到一次申请，每次都加载模型的话就会显得很不必要，因而在服务器上我们需要这样一种机制：将模型在服务器上load好，方便我们不断去调用模型做图像预测，而不需要多次load模型，那么怎么能够达到这个目的呢？在此处，我们可以使用flask来建立一个REST API来达到这一目的。REST 是Representational State Transfer的缩写，这是一种架构风格，这里就不再过多描述，感兴趣的同学可以自己去google一下。
代码：https://github.com/xinyu-ch/Faster_RCNN_Deloy

2.1 服务器

下面看一下利用flask启动REST API服务：

载入模型

app = flask.Flask(__name__)
model = None
use_gpu = True
 
def load_model():
    """Load the pre-trained model, you can use your model just as easily.
    """
    global model
    model = resnet50(pretrained=True) # 模型加载程序，可以根据自己需要进行更改
    model.eval()
    if use_gpu:
        model.cuda()    # 使用GPU加速

在load_model()函数中，我们需要完成对模型的加载，此处用得到的思想主要是全局变量的形式，我们把在其他函数中需要的一些参数进行全局化，在python利用global方式进行操作，此处假设我们在其他函数只需要模型的参数，就只需 global model，便可。

启动REST API

在定义载入模型之后，便可以开启flask服务了。

@app.route("/predict", methods=["POST"])
def predict():
    # 初始化一个字典，状态为False，以在客户端进行判断数据是否完整
    data = {"success": False}

    # 判断是否受到POST
    if flask.request.method == 'POST':
        # 判断是否收到image
        if flask.request.files.get("image"):
            # 读取图像PIL，网络传输中一般选择二进制传输
            image = flask.request.files["image"].read()
            image = Image.open(io.BytesIO(image))
            # 此处是我的目标检测的具体函数，你可以替换成自己的函数
            box_re = raber_detection(np.array(image))

            data['predictions'] = list()
            l = {"BoxNumber": box_re.shape[0]}
            data['predictions'].append(str(l))
            # Loop over the results and add them to the list of returned predictions
            for box in box_re:
                r = {"BoxList": [str(i) for i in np.rint(box[:4]).astype(int)]}
                data['predictions'].append(r)

            # Indicate that the request was a success.
            data["success"] = True

    # Return the data dictionary as a JSON response.
    return flask.jsonify(data)

首先定义请求方式为 POST，表示向服务器传输数据，接着定义一个 predict 函数来进行结果的传输。在利用自己的函数得到结果之后，便通过flask.jsonify(data)返回json格式数据给客户端。
最后在主函数中调用：

load_model()
app.run()

这样便可以启动 flask 服务了。通过上面的代码，我们知道了如何处理传过来的图片并输出预测的结果，那么我们如何传图片呢？这就是下面会讲的如何发起数据请求。
修改server地址，接口：

app.run(
      host='172.**.**.**',    # your IP
      port=5000,
      debug=False
    )

2.2 客户端

在发送数据前，需要知道上面定义好的 flask server 的地址，默认为本地接口，所以地址是

PyTorch_REST_API_URL = 'http://127.0.0.1:5000/predict'

上面的 /predict 和前文的 @app.route("/predict", methods=[“POST”])定义相同。
接下来便可以定义发送函数了：

def predict_result(image_path):
    # Initialize image path
    image = open(image_path, 'rb').read()
    payload = {'image': image}

    # Submit the request.
    r = requests.post(PyTorch_REST_API_URL, files=payload).json()

    # Ensure the request was successful.
    if r['success']:
        det_box = []
        for (i, result) in enumerate(r['predictions']):
            box = []
            if i > 0:
                [box.append(int(j)) for j in result["BoxList"]]
            det_box.append(box)
        del[det_box[0]]
        im2show = vis_detections(cv2.imread(image_path), np.array(det_box))
        result_path = os.path.join(image_path[:-4] + "_det.jpg")
        cv2.imwrite(result_path, im2show)
        # cv2.imwrite('./result.jpg', im2show)
        # cv2.imshow('imshow', im2show)

        cv2.destroyAllWindows()
    else:
        print('Request failed')

此处，是接收服务器传回的Box结果，并将Box绘制到原图，进行保存，image_path是图像的路径 。

3.测试

我使用了自己训练的fasterR-CNN模型，传入下图作为测试：
​​
Faster R-CNN模型工程部署（pytorch）
首先在一个终端中运行服务器端程序：

python run_pytorch_server.py

可以看到效果如下：
Faster R-CNN模型工程部署（pytorch）
待服务器程序运行成功后，再在客户端运行：

python simple_request.py --file=./0C006B5C.jpg

可以得到如下的效果图：
Faster R-CNN模型工程部署（pytorch）
注意：因为我是在学校测试的，用的是学校的内网，若要在外网进行访问的话，需要进行外网穿透或搭建v*n

参考

1.https://blog.****.net/dou3516/article/details/82912458
2.https://www.cnblogs.com/mrchige/p/6387674.html

相关推荐