Yolov5/8的小程序部署前后端实现
- 导语
- 本机配置
- 硬件
- 环境配置
- 前端实现
- 后端实现
- 总结
- 参考文献
导语
毕设的题目与Yolo系列的图像识别相关,通过搜查了很多资料和实践最后完成,看到某些平台上居然卖300+,觉得很离谱,所以决定把代码开源,解决毕业生们的燃眉之急。给出的原码经过测试在本机上无论是Yolov5还是Yolov8都能运行,以及v5和v8的区别不大,只需要改一两行模型的调用即可,因此只用一个代码块来表述。
本机配置
需要注意的是,对于模型的训练和预测使用,我个人还是建议去租卡跑,也不算很贵,一小时大概几毛钱,我的数据量约为5k,跑六七个小时大概就能跑完了,但是单纯的调用模型就不用考虑这么多了
硬件
环境配置
在训练模型的时候一定要考虑显卡的驱动版本和CUDA版本之间的对应关系,Yolov8的CUDA版本要求较高,导致对应的驱动版本也要求较高,然后Yolov5的CUDA版本和驱动版本之间的对应关系也和Yolov8重合的不是很多,在调用和使用的时候如果对应关系有问题可能会导致结果有问题。
前端实现
这里只给出效果图,由于代码和所用的素材较多,因此将原码上传到github,代码都写上了注释,应该阅读起来不是很费劲,其中涉及到html和js的部分请自学。
前端代码
后端实现
代码很简单,但是需要自学一下Flask的基本用法和如何通过前端来调用,详细解释都在代码注释里了,看不懂可以在评论区问,使用的时候要先启动后端,确保后端一直运行,才能开始进行前端的操作。
import osimport numpy as np
import torch.hub
from ultralytics import YOLO#导入Yolov8,需要提前安装ultralytics库
from flask import request#运用Python的flask类实现与前台信息的交互
from flask import Flask
from flask import send_file
import base64
import cv2
import time
model = YOLO('./best.pt')#调用app=Flask(__name__)@app.route('/request', methods=['GET', 'POST'])
def uploads():#clock1 = time.time()img = request.files.get('img')#拿到变量img对应的图片name = 'img.jpg'#重命名img.save(os.path.join('./img', name))#保存#print(time.time() - clock1)#clock1=time.time()model.predict('./img',save=True,device=0)#调用模型进行判断#print(time.time()-clock1)return 'success'@app.route('/get', methods=['GET', 'POST'])
def download():#实现前端的功能,具体看前端代码print("working")return send_file('./runs/detect/predict/img.jpg')#将识别结果返回#这里给出的是默认的路径,# 因为Yolo默认会生成对应的文件夹# 按间距中的绿色按钮以运行脚本。
if __name__ == '__main__':model = YOLO('./best.pt')#直接调用训练好的模型# app.run(host='localhost',port=8080,debug=True)#本机上运行app.run(host='192.168.225.149',debug=True)#局域网实现,#需要确保手机和电脑在同一局域网内
总结
有问题可以直接在评论区里问,博客经常在线。
参考文献
- 黑马程序员前端微信小程序开发教程
- 微信开放文档
- 《Python编程:从入门到实践》
- 其他