Building a Keras + deep learning REST API（三部曲之一）

2018-06-19 726 收藏

一、基本环境

$ pip install flask gevent requests pillow

其中 flask不需要解释

gevent 是用于自动切换进程的；

pillow 是用来进行python下的图像处理的；

requests 是用来进行python下request处理的。

二、核心代码解释

# import the necessary packages

from keras.applications import ResNet50

from keras.preprocessing.image import img_to_array

from keras.applications import imagenet_utils

from PIL import Image

import numpy as np

import flask

import io

引入所需的头文件。其中注意keras的几个类库是很有通用性的；

# initialize our Flask application and the Keras model

app = flask.Flask( __name__)

model = None

类库的初始化

def load_model():

     # load the pre-trained Keras model (here we are using a model

     # pre-trained on ImageNet and provided by Keras, but you can

     # substitute in your own networks just as easily)

     global model

    model = ResNet50( weights= "imagenet")

引入model模型，如果想引入自己的模型(CBIR)的话，就在这里引入。

def prepare_image( image, target):

     # if the image mode is not RGB, convert it

     if image.mode != "RGB":

        image = image.convert( "RGB")

     # resize the input image and preprocess it

    image = image.resize(target)

    image = img_to_array(image)

    image = np.expand_dims(image, axis= 0)

    image = imagenet_utils.preprocess_input(image)

     # return the processed image

     return image

image的预处理，这里使用的是keras+PIL，和opencv之间的比较，需要有时间来做。

@app.route( "/predict", methods=[ "POST"])

def predict():

     # initialize the data dictionary that will be returned from the

     # view

    data = { "success": False}

     # ensure an image was properly uploaded to our endpoint

     if flask.request.method == "POST":

         if flask.request.files.get( "image"):

             # read the image in PIL format

            image = flask.request.files[ "image"].read()

            image = Image.open(io.BytesIO(image))

             # preprocess the image and prepare it for classification

            image = prepare_image(image, target=( 224, 224))

             # classify the input image and then initialize the list

             # of predictions to return to the client

            preds = model.predict(image)

            results = imagenet_utils.decode_predictions(preds)

            data[ "predictions"] = []

             # loop over the results and add them to the list of

             # returned predictions

             for (imagenetID, label, prob) in results[ 0]:

                r = { "label": label, "probability": float(prob)}

                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)

虽然是核心部分，但是其实非常容易被复用。就是读取数据，然后进行处理的过程。     

# if this is the main thread of execution first load the model and

# then start the server

if __name__ == "__main__":

     print(( "* Loading Keras model and Flask starting server..."

         "please wait until server has fully started"))

    load_model()

    app.run()

比不可少的main过程。缺少不可运行。

三、运行效果

使用VPS能够更快地得到效果，至少你不需要下载resnet*.h5，一个链路不是太好的大物件。

flask的运行效果，使用curl进行处理的效果

从结果上来看，curch排在了第2，而将这张图片识别为钟楼或者修道院、城堡，宫殿

，似乎也没有什么不妥。

四、小结反思

真的仅仅是通过了几行代码，就实现了flask部署的核心问题。不过光是跑这个简单的过程，机器就已经发出巨大的热量了；另一方面，整个的结构是什么，也需要进一步去研究清楚才对。

来自为知笔记(Wiz)

目前方向：图像拼接融合、图像识别 联系方式：jsxyhelu@foxmail.com

上一篇 下一篇

微信关注我们

原文链接：https://yq.aliyun.com/articles/649384

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

【云周刊】第175期：终于来了！重磅发布：阿里云负载均衡SLB率先支持IPv6！

本期头条 终于来了！重磅发布：阿里云负载均衡SLB率先支持IPv6！ IPv6的设计初衷是用以解决IPv4地址枯竭问题，同时对IPv4进行大量改进，并最终取代IPv4。然而由于NAT等技术的广泛应用，IPv4在互联网流量中长期占据主要地位，IPv6的使用增长缓慢。直到2017年7月，通过IPv6使用Google服务的用户百分率才首次超过20%。今天，我们非常高兴的向大家宣布，阿里云负载均衡SLB已率先支持IPv6！点击查看 对话阿里云弹性计算负责人褚霸：把计算做到极致，关键还不加价！ 阿里云多款核心云计算产品降价 最高降幅达50% 八年磨一剑，重新定义HBase——HBase 2.0&阿里云HBase解读 阿里巴巴开源语音识别声学建模技术 DFSMN在阿里巴巴的应用以及如何采用开源代码训练DFSMN模型 阿里90后工程师利用ARM硬件特

2018-06-20

598

上一篇

图书管理系统之我见

做完这个eclipse控制台版本的图书管理系统,感觉略有收获,对类与对象的一些关系,接口的使用,以及HashMap,语句判定等有了更深刻的理解. 而这个系统还会继续进化. 加入数据库, web展示.亦或者使用java图形界面. 1.首先第一步,我要做这个图书管理系统,我更理解为一个图书馆 管理系统, 而不仅仅是图书. 首先java是面向对象的.那么好吧,有一个图书馆接口,一些书架,一些书放在书架上. 之后功能需求要能实现注册,登陆,退出. 登陆之后实现书的借阅,归还. 2.这一步使用了大量的逻辑判定判断,因为觉得是练手的小项目,前期做得有点"冗余",多余的一些杂质让我感觉做不动.通过放低要求,才发现,原来简单而美妙. package 图书管理系统2; import java.util.HashMap; import java.util.Iterator; import java.util.Scanner; import java.util.Set; public class LoginStuff { static Scanner in = new Scanner(System.in...

2018-06-20

592

下一篇

相关文章

发表评论

发表

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

时间: 2025-12-03 大小: 4.36MB 下载: 23次

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

时间: 2025-12-28 大小: 1MB 下载: 4次

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

时间: 2025-12-21 大小: 189MB 下载: 2次

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

时间: 2025-12-03 大小: 9.84MB 下载: 39次