使用说明
1. 在本地测试
- 运行
python3 prdict_one.py
即可,默认需要预测的图片路径位于testImg
文件夹下的test1.png
- 运行
python3 predict_folder.py
预测testImg下的所有图片
2. 部署到服务器
- 运行
python3 run_a_server.py 8888
即在端口8888部署api,也可以在本地运行测试,如果不填写端口,默认端口为7000
3. 通过所部署API进行预测
运行python3 predict_by_server.py
即可调用所部署的api进行testImg
文件夹下所有图片的预测
4. 打包为可执行文件
pyinstaller -F run_a_server.py
即可打包为可执行文件,打包结束后会在dist文件夹下生成可执行文件。直接运行不需要python环境
注意!运行打包后的二进制文件时需要将trained_weights.h5放在同级目录下
其他说明
- 通过测试,调用本地API预测一张图平均所需约0.05s,服务器1C2G占用内存200~400mb之间
- 我所用的tensorflo和Keras版本分别为:1.15.2和2.3.1
model.py
存放网络结构- trained_weights.h5 训练的权重文件
- 简单curl命令测试
curl -X POST -F [email protected]/test1.png 'http://localhost:7000/predict'
成功后会返回
{"predictions":0.553,"success":true}
本模型所针对的输入图片尺寸大小必须为140x360,没有适配其他图片大小,有能力的可以根据网络结构进行修改从而适应所需。
免责声明: 本仓库项目中所涉及的脚本,仅用于测试和学习研究,不保证其合法性,准确性,完整性和有效性,请根据情况自行判断。请勿将本项目的任何内容用于商业或非法途径,否则后果由使用者自负。如果您认为该项目的内容可能涉嫌侵犯其权利,请与我联系,我会尽快删除文件。如果您使用或复制了本仓库项目中的任何内容,则视为您已接受此免责声明。