【6】图像分类部署
文章目录
- 前言
- 一、将pytorch模型转为ONNX
- 二、本地终端部署
- 2.1. ONNX Runtime部署
- 2.2. pytorch模型部署（补充）
- 三、使用flask的web网页部署
- 四、微信小程序部署
- 五、使用pyqt界面化部署
- 总结
前言
包括将训练好的模型部署在本地终端、web端、小程序上、qt界面化。
三叶青图像识别研究简概
一、将pytorch模型转为ONNX
因为mobilenet模型在GPU上训练得到，要使其在CPU 上进行模型推理，需要确保模型的权重被正确地加载到CPU上。
然后再将获得的在CPU上进行推理的pytorch模型转化为ONNX模型。并可使用Netron可视化模型结构。
二、本地终端部署
2.1. ONNX Runtime部署
使用推理引擎ONNX Runtime，读取onnx格式的模型文件，对单张图像、视频进行预测。
2.2. pytorch模型部署（补充）
不将.pth模型文件转化为onnx模型文件，而是直接部署pytorch模型文件
三、使用flask的web网页部署
flask+bootstrap+jquery+mysql搭建三叶青在线识别网站，使用nginx+gunicorn将网站部署在腾讯云上，配置SSL证书。网站地址：https://www.whtuu.cn
参考我的另外一篇文章：使用flask的web网页部署介绍
四、微信小程序部署
利用uniapp+微信开发者工具+flask后端开发了三叶青图像识别微信小程序。
参考我的另外一篇文章：微信小程序部署
五、使用pyqt界面化部署
pyqt+opencv开发的图像识别qt界面
目前共有五个主要界面：软件介绍界面、省份识别、浙产识别、产地识别界面、以及自定义识别页面。
参考我的另外一篇文章：使用pyqt界面化部署
总结
本文主要介绍了如何将pytorch模型转为ONNX模型文件以及如何将图像识别模型部署，包括部署在本地、部署在web网页、小程序、qt界面部署。
2024/6/13
)
