共计 3674 个字符，预计需要花费 10 分钟才能阅读完成。
本文首发于：行者 AI
在工作当中，算法工程师常常须要疾速编写一些演示 demo，例如疾速演示一些算法，或者须要编写数据标注的工具等。常见的实现形式是算法工程师试用 flask 等框架编写 api，再由前端工程师编写相干的网页调用 api。这样毫无疑问是十分耗时，效率低下的。
然而，应用 streamlit 框架就能够疾速搭建 demo 页面，算法工程师只应用 python 语言就能够编写比拟精美的 demo 页面。streamlit 框架外部负责解决网页的渲染工作，算法工程师将重点放在算法的流程方面就好。
框架装置
streamlit 框架的装置非常简单，应用 pip 就能够装置：
pip install streamlit装置实现之后，能够应用命令进行版本验证：
streamlit --version在这篇文章当中，我会用一个理论工作中的例子简略介绍 streamlit 框架的应用流程。
我的项目筹备
Collaborative-Distillation 是一个反对高分辨率的图像风格化计划，该模型的输出是格调图片以及待处理的图片，输入是风格化之后的图片。
在这个代码仓库当中，咱们须要应用比较复杂的命令行命令来进行风格化操作：
# use original VGG-19, normal images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode original
# use original VGG-19, ultra-res images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode original --UHD
# use our pruned VGG-19, normal images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x
# use our pruned VGG-19, ultra-res images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x --UHD
# If your RAM cannot afford some large images, you can change the content and style size via '--content_size' and '--style_size'
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x --UHD --content_size 3000 --style_size 2000然而这样的操作对于用户来说相当简单，所以咱们能够应用 streamlit 编写一个 demo 页面，不便用户应用。
在这个 demo 页面当中，会用到 streamlit 的以下几种组件：
-
streamlit.file_uploader：文件上传组件，具体见下图
该组件反对拖拽上传文件和文件管理器抉择文件，相对来说比拟不便，应用办法如下列代码所示：
style_file = st.file_uploader("请上传风格化图片") if style_file: stringio = style_file.getvalue() style_file_path = 'style_file/'+ style_file.name with open(style_file_path,'wb') as f: f.write(stringio)
应用文件上传组件上传文件之后，能够应用下面的代码将文件保留到特定门路期待应用。
-
streamlit.image：图片显示组件，具体见下图：
该组件能够在 demo 页面中依据图片门路显示图片。
style_file_path = 'style_file/'+ style_file.name st.image(style_file_path) -
streamlit.write：文字显示组件，该组件能够在网页上显示一些提示信息。
st.write('高分辨率风格化 demo') -
streamlit.button：按钮组件，点击之后能够进行一些工作。
if st.button('开始进行风格化处理'):
style_func()-
streamlit.progress：进度显示组件，能够用来显示工作的进度。
for i in range(0,100,10):
st.progress(i + 1)streamlit 中还有一些重要的组件，例如：
-
streamlit.cache：数据缓存组件，该组件能够作为装璜器应用，用途是缓存数据，放慢数据载入速度。能够用在须要重复加载数据或者进行计算的函数当中。
@st.cache def load_dataset(data_link): dataset = pd.read_csv(data_link) return dataset - streamlit.audio：音频展现组件，能够依据音频地址播放音频。
with open('audio.mp3','rb') as f:
st.audio(f,format="audio/mp3")-
streamlit.audio：抉择组件，该组件能够让用户从多个选项中抉择一项。
model_choose = st.radio('请抉择拆散模型：',['人声 + 伴奏','人声 + 钢琴 + 吉他 + 鼓 + 其余'],0)其中参数 0 示意默认抉择第一项。
streamlit 反对的组件还是很多的，如果感兴趣，请参考官网文档。
我的项目编写
这个 demo 页面的次要性能是让用户别离上传 style 图片和 content 图片，而后后盾进行风格化操作，风格化操作实现之后显示后果图片。这样用户就能够疾速的进行风格化操作并晓得后果。
streamlit 利用是用 python 语言编写的。在 python 文件结尾，须要导入 streamlit 包。
import streamlit as st接着进行文件的上传与预处理：
style_file = st.file_uploader("请上传风格化图片")
content_file = st.file_uploader("请上传待处理图片")
image_slot = st.empty()
if style_file:
stringio = style_file.getvalue()
style_file_path = 'style_file/'+ style_file.name
with open(style_file_path,'wb') as f:
f.write(stringio)
image_slot.image(style_file_path)
if content_file:
stringio = content_file.getvalue()
content_file_path = 'content_file/'+ content_file.name
with open(content_file_path,'wb') as f:
f.write(stringio)
if content_file and style_file:
img1 = Image.open(style_file_path)
img1 = img1.resize((640, 640))
img2 = Image.open(content_file_path)
img2 = img2.resize((640, 640))
new_img = Image.new('RGB', (1280, 640), 255)
new_img.paste(img1,(0,0))
new_img.paste(img2,(640,0))
new_img.save('concrate_file/' + os.path.basename(style_file_path))
image_slot.image('concrate_file/' + os.path.basename(style_file_path))
最初写一个按钮，执行风格化操作，并显示最终后果，同时增加一个进度条：
if st.button('开始进行风格化处理'):
my_bar = st.progress(10)
UHD_content_folder_path = 'PytorchWCT/content/UHD_content'
output_path = WCT_func.process(content_file_path,style_file_path)
for i in range(0,100,10):
my_bar.progress(i + 1)
my_bar.progress(100)
st.write('风格化之后的图片')
st.image(output_path)
我的项目的运行和部署
streamlit 框架的运行形式非常简单，间接在命令行执行：
$ streamlit run streamlit_demo.py 就能够在浏览器中进行拜访了。
总结
streamlit 框架非常适合疾速编写流程不太简单且须要可视化操作的 demo，作者从开始编写到编写实现这个 demo 用时不到半个小时，编写代码不到 50 行，而且运行部署起来十分不便，页面看起来要比应用 flask 之类的框架渲染出的网页好看许多，实乃算法工程师的利器。
