关于人工智能:使用Flask部署图像分类模型

作者 |LAKSHAY ARORA
编译 |VK
起源 |Analytics Vidhya

概述

• 理解 PyTorch 和 Flask 的详情
• 学习在 PyTorch 中建设图像分类模型
• 理解如何应用 Flask 部署模型。

介绍

当波及到社交媒体的衰弱运行时，图像分类是一个关键点。依据特定标签对内容进行分类能够代替各种法律法规。它变得很重要，以便对特定的受众群体暗藏内容。

当我在 Instagram 上浏览时，我常常会遇到一些图片上有“敏感内容”的帖子。我必定你也有。

任何无关人道主义危机、恐怖主义或暴力的图片通常被归类为“敏感内容”。Instagram 如何对图片进行分类始终让我很感兴趣。这种一直的好奇心促使我去了解图像分类的过程。

大部分图像是由 Instagram 部署的图像分类模型检测进去的。此外，还有一个基于社区的反馈循环。这是图像分类最重要的用例之一。

在本文中，咱们将部署一个图像分类模型来检测图像的类别。

目录

1. 什么是模型部署？
2. PyTorch 简介
3. 什么是 Flask？
4. 在机器上装置 Flask 和 PyTorch
5. 了解问题陈说
6. 建设预训练的图像分类模型
7. 建设一个图像 Scraper
8. 创立网页
9. 设置 Flask 我的项目
10. 部署模型的工作

什么是模型部署

在典型的机器学习和深度学习我的项目中，咱们通常从定义问题陈说开始，而后是数据收集和筹备，而后是模型构建，对吗？

一旦咱们胜利地构建和训练了模型，咱们心愿它能为最终用户所用。

因而，咱们必须“部署”模型，以便最终用户能够应用它。模型部署是任何机器学习或深度学习我的项目的前期阶段之一。

在本文中，咱们将在 PyTorch 中构建一个分类模型，而后学习如何应用 Flask 部署雷同的模型。在咱们进入细节之前，让咱们先简略介绍一下 PyTorch。

PyTorch 简介

PyTorch 是一个基于 python 的库，它提供了作为深度学习开发平台的灵活性。PyTorch 的工作流程与 python 的科学计算库 NumPy 十分靠近。

PyTorch 被宽泛用于构建深度学习模型。以下是 PyTorch 的一些重要劣势

• 易于应用的 API–PyTorch API 与 python 一样简略。
• Python 反对—PyTorch 与 Python 完满集成。
• 动静计算图——PyTorch 为咱们提供了一个框架来构建计算图，甚至在运行时扭转它们。这对于咱们不晓得创立一个神经网络须要多少内存的状况很有价值。

在接下来的章节中，咱们将应用一个预训练的模型来应用 PyTorch 来检测图像的类别。接下来，咱们将应用 Flask 进行模型部署。在下一节中，咱们将简要探讨 Flask。

什么是 Flask？

Flask 是一个用 Python 编写的 web 应用程序框架。它有多个模块，使 web 开发人员更容易编写应用程序，而不用放心协定治理、线程治理等细节。

Flask 为开发 web 应用程序提供了多种抉择，并为咱们提供了构建 web 应用程序所需的工具和库。

在机器上装置 Flask 和 PyTorch

装置 Flask 简单明了。这里，我假如你曾经装置了 python3 和 pip。要装置 Flask，须要运行以下命令：

sudo apt-get install python3-flask

接下来，咱们须要装置 PyTorch。运行本文中提供的代码不须要有 GPU。

!pip install torch torchvision

就这样！当初让咱们开始一个问题陈说并建设一个模型。

了解问题陈说

让咱们讨论一下问题陈说，咱们想要创立一个蕴含如下文本框的网页（如下所示）。用户在这里输出网址。

这里的工作是从 URL 中抓取所有图像。对于每个图像，咱们将应用图像分类模型预测图像的类别或类别，并在网页上按类别出现图像。

上面是端到端模型的工作流 -

设置我的项目工作流

• 模型构建 ：咱们将应用预训练的模型Densenet 121 来预测图像类。它能够在 PyTorch 的 torchvision 库中找到。这里，咱们的重点不是从头开始构建一个高度准确的分类模型，而是看看如何部署该模型并在 web 界面中应用它。
• 创立一个图像 Scraper：咱们将应用申请和 BeautifulSoup 库创立一个 web scraper。它将从一个 URL 下载所有的图像并将其存储，这样咱们就能够对其进行预测。
• 设计网页模板：咱们还将设计一个用户界面，用户能够提交一个网址，也能够失去后果，一旦计算。
• 对图像进行分类并发送后果：一旦咱们从用户那里失去查问，咱们将应用该模型预测图像的类别并将后果发送给用户。

上面是咱们刚刚看到的步骤的一个示意：

让咱们讨论一下我的项目所需的所有组成部分：

建设预训练的图像分类模型

咱们将应用预训练的模型 Densenet 121 对图像进行分类。

你能够在这里下载残缺的代码和数据集。

链接：https://github.com/lakshay-ar…

让咱们从导入一些必须的库开始，并从 torchvision 库获取 densenet121 模型。确保将参数“pretrained”增加为 True。

# 导入所需的库
import json
import io
import glob
from PIL import Image
from torchvision import models
import torchvision.transforms as transforms

# 将参数“pretraining”传递为“True”，应用预训练的权重:
model = models.densenet121(pretrained=True)
# 切换到模型到“eval”模式:
model.eval()

当初，咱们将定义一个函数来转换图像。它将创立一个转换管道并依据须要转换图像。此办法以字节为单位获取图像数据，并对其利用一系列“转换”函数并返回张量。这段代码取自 pytorch 文档。

# 定义预处理的函数
def transform_image(image_bytes):
    my_transforms = transforms.Compose([transforms.Resize(255),
                                        transforms.CenterCrop(224),
                                        transforms.ToTensor(),
                                        transforms.Normalize([0.485, 0.456, 0.406],
                                            [0.229, 0.224, 0.225])])
    image = Image.open(io.BytesIO(image_bytes))
    return my_transforms(image).unsqueeze(0)

当初，预训练的模型返回预测类 id 的索引。PyTorch 曾经为它提供了映射，以便咱们能够看到预测类的名称。你能够在这里下载地图。它有 1000 个不同的类别。

# 加载由 pytorch 提供的映射
imagenet_class_mapping = json.load(open('imagenet_class_index.json'))

上面是一个示例：

接下来，咱们将定义一个函数来获取图像的类别。为此，咱们将图像的门路作为惟一的参数传递。

首先，它将关上并读取二进制格局的图像，而后对其进行转换。而后将变换后的图像传递给模型，失去预测类。它将应用映射并返回类名。

# 定义函数来取得图片的预测
# 它承受参数: 图片门路并提供预测作为输入
def get_category(image_path):
  #以二进制模式读取图像
    with open(image_path, 'rb') as file:
        image_bytes = file.read()
    # 变换图像
    transformed_image = transform_image(image_bytes=image_bytes)
    # 应用模型来预测类
    outputs = model.forward(transformed_image)
    _, category = outputs.max(1)
    # 返回
    predicted_idx = str(category.item())
    return imagenet_class_mapping[predicted_idx]

让咱们在一些图像上尝试此函数：

get_category(image_path='static/sample_1.jpeg')
## ['n02089973', 'English_foxhound']

get_category(image_path='static/sample_2.jpeg')
## ['n11939491', 'daisy']

当初，咱们的模型能够预测图像的类。让咱们从构建图像 Scraper 开始。

建设一个图像 Scraper

在本节中，咱们将构建一个 web scraper，它将从提供的 URL 下载图像。咱们将应用 BeautifulSoup 库下载图像。你能够自在应用任何其余库或 API 来提供图像。

咱们将从导入一些必须的库开始。对于咱们将抓取的每个 url，将创立一个新目录来存储图像。咱们将创立一个函数 get_path，它将返回为该 URL 创立的文件夹的门路。

# 导入所需的库
import requests
from bs4 import BeautifulSoup
import os
import time

def get_path(url):
    return "static/URL_" + str(url.replace("/","_"))
  
headers = {'User-Agent': "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36"
    } 

当初，咱们将定义一个函数 get_images。它将首先应用 get_path 函数创立目录，而后发送对源代码的申请。从源代码中，咱们将应用“img”标签提取源代码。

在此之后，咱们将只抉择 jpeg 格局的图像。也能够增加 png 格局的图像。我曾经过滤掉了，因为大多数 png 格局的图片都是 logo。

最初，启动计数器并将带有计数器名称的图像保留到指定的目录中。

# 定义爬取图像并将其存储在目录中的函数
def get_images(url):
   # get the directory path
    path = get_path(url)
    try:
        os.mkdir(path)
    except:
        pass
    # 从 URL 申请源代码
    response = requests.request("GET", url, headers=headers)
    # 通过 Beautiful Soup 解析数据
    data = BeautifulSoup(response.text, 'html.parser')
    # 在源代码中找到图像标记
    images = data.find_all('img', src=True)
    # 从所有的图像标签中提取 src
    image_src = [x['src'] for x in images]
    # 只抉择 jpeg
    image_src = [x for x in image_src if x.endswith('.jpeg') ]
    image_count = 1
    # 在指定目录存储图像
    for image in image_src:
        print(image)
        image_file_name = path+'/'+str(image_count)+'.jpeg' 
        print(image_file_name)
        # 以写入二进制模式关上文件并增加图像内容来存储它
        with open(image_file_name, 'wb') as f:
            res = requests.get(image)
            f.write(res.content)
        image_count = image_count+1

让咱们试试咱们刚刚发明的 scraper！

get_images('https://medium.com/@allanishac/9-wild-animals-that-would-make-a-much-better-president-than-donald-trump-b41f960bb171')

当初，创立了一个新目录，并查看它的外观。咱们在一个中央下载了所有的图片。

留神：倡议仅依据学习目标应用此图像 Scraper。始终遵循指标网站的 robots.txt 文件，也称为机器人排除协定。这会通知网络机器人哪些页面不能爬。

创立网页

咱们将创立两个网页一个是“home.html另一个是“image_class.html”.

• “home.html“是默认的，它将有一个文本框，用户能够在其中键入 URL。
• “image_class.html“将帮忙咱们按类别渲染图像。

1.home.html

咱们须要在 home.html 文件以收集搜寻容器中的数据。在 form 标签中，咱们将应用 post 办法，并且数据通过名为“search”的输出栏传递。

通过这样做，咱们的后端代码将可能晓得咱们收到了一些名为“search”的数据。在后端，咱们须要解决并发送数据。

2.image_class.html

在计算结果时，另一个页面将出现如下后果。本页“image_class.html“将在每次查问时更新。你能够看到咱们在网页上显示了以下信息：

1. 图像类别
2. 图像
3. 所有可用图像类别的频率计数

上面是执行此操作的代码：

def get_picture_html(path, tag):
    image_html = """<p> {tag_name} </p> <picture> <img src="../{path_name}"height="300"width="400"> </picture>"""
    return image_html.format(tag_name=tag, path_name=path)

# 定义在 html 文件中增加列表元素的函数
def get_count_html(category, count):
    count_html = """<li> {category_name} : {count_} </li>"""
    return count_html.format(category_name = category, count_ = count)

# 计数
def get_value_count(image_class_dict):
    count_dic = {}
    for category in image_class_dict.values():
        if category in count_dic.keys():
            count_dic[category] = count_dic[category]+1
        else:
            count_dic[category] = 1
    return count_dic

# 函数从 image_class 字典生成 html 文件
# 键将是图像的门路，而值将是与之关联的类。def generate_html(image_class_dict):
    picture_html = ""count_html =""
    
    # 循环这些键并将图像增加到 html 文件中
    for image in image_class_dict.keys():
        picture_html += get_picture_html(path=image, tag= image_class_dict[image])
        
    value_counts = get_value_count(image_class_dict)
    
    # 循环 value_counts 并向 html 文件中增加类的计数
    for value in value_counts.keys():
        count_html += get_count_html(value, value_counts[value])

下一步是建设 Flask 我的项目，将这些独自的局部组合起来解决这个挑战。

设置 Flask 我的项目

咱们在我的项目中实现了以下工作：

1. 图像分类模型工作良好，可能对图像进行分类。
2. 咱们曾经建设了图像 Scraper，将下载图像并存储它们。
3. 咱们曾经创立了网页来获取并返回后果。

当初咱们须要将所有这些文件连贯在一起，这样咱们就能够有一个工作我的项目了。

让咱们看看目录构造。

留神 ：请确保将图像保留在static 文件夹和 html 文件放在 templates 文件夹中。Flask 只会查找这些名字。如果你扭转这些，你会失去一个谬误。

运行 Flask 应用程序

Flask 应用程序首先将 home.html 当有人发送图像分类申请时，Flask 将检测一个 post 办法并调用 get_image_class 函数。

此函数将按以下步骤工作：

1. 首先，它将发送一个申请来下载并存储这些图像。
2. 接下来，它将把目录门路发送到 get_prediction.py 将计算并以字典模式返回后果的文件。
3. 最初，它将把这个字典发送给generate_html.py，用户将返回生成该文件的输入。

# 导入库
from flask import Flask, render_template, request, redirect, url_for
from get_images import get_images, get_path, get_directory
from get_prediction import get_prediction
from generate_html import generate_html
from torchvision import models
import json

app = Flask(__name__)

# 映射
imagenet_class_mapping = json.load(open('imagenet_class_index.json'))

# 应用预训练模型
model = models.densenet121(pretrained=True)
model.eval()

# 定义从 url 获取图像并预测类的函数
def get_image_class(path):
    # 从 URL 获取图像并将其存储在给定的门路中
    get_images(path)
    # 依据所提供的目录预测图像的图像类别
    path = get_path(path)
    images_with_tags = get_prediction(model, imagenet_class_mapping, path)
    # 生成 html 文件以在咱们预测类之后出现
    generate_html(images_with_tags)

一旦以上步骤实现，咱们就能够为用户提供后果。咱们将调用 success 函数，该函数将渲染 image_class.html 文件。

# 根页面为 "home.html"    
@app.route('/')
def home():
    return render_template('home.html')

@app.route('/', methods=['POST', 'GET'])
def get_data():
    if request.method == 'POST':
        user = request.form['search']
        # 如果搜寻按钮被点击，调用函数 get_image_class
        get_image_class(user)
        #返回 image_class.html
        return redirect(url_for('success', name=get_directory(user)))


@app.route('/success/<name>')
def success(name):
    return render_template('image_class.html')


if __name__ == '__main__' :
    app.run(debug=True)

获取源 URL 的所有图像的预测

到目前为止，咱们曾经别离对每幅图像进行了预测。当初，咱们将用新参数批改 get_category 函数来解决这个问题。咱们将传递蕴含多个图像文件的目录门路。

当初，咱们将定义另一个函数 get_prediction，它将应用 get_category 函数并返回字典，其中键将是图像门路，值将是图像类。

稍后，咱们将把这个字典发送给 generate_html.py 将为咱们创立 HTML 文件的文件。

# 获取目录中呈现的所有图像的类
def get_category(model, imagenet_class_mapping, image_path):
    with open(image_path, 'rb') as file:
        image_bytes = file.read()
    transformed_image = transform_image(image_bytes=image_bytes)
    outputs = model.forward(transformed_image)
    _, category = outputs.max(1)
    
    predicted_idx = str(category.item())
    return imagenet_class_mapping[predicted_idx]

# 它将创立一个图像门路和预测类的字典
# 咱们将应用该字典生成 html 文件。def get_prediction(model, imagenet_class_mapping, path_to_directory):
    files = glob.glob(path_to_directory+'/*')
    image_with_tags = {}
    for image_file in files:
        image_with_tags[image_file] = get_category(model, imagenet_class_mapping, image_path=image_file)[1]
    return image_with_tags

当初，所有的代码文件都筹备好了，咱们只须要将它们与主文件连接起来。

首先，创立一个 Flask 类的对象，该对象将以以后模块的名称作为参数。route 函数将通知 Flask 应用程序下一步在网页上出现哪个 URL。

部署模型的工作

你能够在这里下载残缺的代码和数据集。

链接：https://github.com/lakshay-ar…

当初，咱们运行 get_class.py，Flask 服务器就能够在 localhost:5000 启动

关上 web 浏览器并转到 localhost:5000，你将看到默认主页在那里出现。当初，在文本框中输出任何 URL 并按 search 按钮。这可能须要 20-30 秒，这取决于网址中的图片数量和网速。

让咱们看看部署模型的工作状况。

视频:https://cdn.analyticsvidhya.c…

结尾

在本文中，我简要地解释了模型部署、Pytorch 和 Flask 的概念。

而后咱们深刻理解了应用 PyTorch 创立图像分类模型并将其与 Flask 一起部署的过程中波及的各个步骤。我心愿这有助于你构建和部署图像分类模型。

另外，模型被部署在本地主机上。咱们也能够把它部署在云服务上，比方 Google Cloud，Amazon，github.io 等等，咱们也将在下一篇文章中探讨这一点。

原文链接：https://www.analyticsvidhya.c…

欢送关注磐创 AI 博客站：
http://panchuang.net/

sklearn 机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/