YOLOv8目标检测(六)_封装API接口

YOLOv8目标检测(一)_检测流程梳理：YOLOv8目标检测(一)_检测流程梳理_yolo检测流程-CSDN博客

YOLOv8目标检测(二)_准备数据集：YOLOv8目标检测(二)_准备数据集_yolov8 数据集准备-CSDN博客

YOLOv8目标检测(三)_训练模型：YOLOv8目标检测(三)_训练模型_yolo data.yaml-CSDN博客

YOLOv8目标检测(三*)_最佳超参数训练：YOLOv8目标检测(三*)_最佳超参数训练_yolov8训练的超参数-CSDN博客

YOLOv8目标检测(四)_图片推理：YOLOv8目标检测(四)_图片推理-CSDN博客

YOLOv8目标检测(五)_结果文件(run/detrct/train)详解：YOLOv8目标检测(五)_结果文件(run/detrct/train)详解_yolo训练结果文件含义-CSDN博客

YOLOv8目标检测(六)_封装API接口：YOLOv8目标检测(六)_封装API接口-CSDN博客

在Python中将YOLOv8模型封装为API接口后，用户可以通过调用该接口上传自定义的测试图片，并获取识别结果

为什么要封装成API接口使用？

  • 模块化和可重用性：封装成API后，模型可以独立于其他代码运行，使得它更容易被其他应用或服务调用，而不需要直接依赖模型的具体实现细节。
  • 易于扩展：API接口可以方便地进行版本管理和功能扩展。如果未来需要替换或升级YOLOv8模型，可以通过修改API内部实现而不影响其他依赖该API的系统。
  • 跨平台兼容性：通过API，可以让不同平台或不同编程语言的应用访问和使用YOLOv8模型，而无需关心底层的实现细节。比如，前端应用可以通过HTTP请求访问API，得到模型的推理结果。
  • 简化部署与维护：API接口使得模型部署变得更加标准化和可管理。你可以将模型托管在服务器上，任何需要使用该模型的用户或系统都可以通过API进行交互，方便维护和监控。
  • 灵活性：API接口可以通过参数化设计，支持不同的输入输出形式，甚至可以根据请求动态调整模型的行为（如使用不同的推理参数、处理不同类型的输入等）。
  • 分离前后端：对于Web应用来说，封装成API接口可以将前端和后端分离，前端只需要通过HTTP请求和API进行交互，无需了解YOLOv8模型的具体实现。

注：笔者的情况是模型和API代码都在服务器(linux)Docker容器中，在容器中起服务，本地调用服务推理图片。

1.Python封装API

服务器中操作

app.py具体代码如下

import json
import numpy as np
from flask import Flask, request, jsonify
from loguru import logger
import base64
import cv2
from ultralytics import YOLOapp = Flask(__name__)# 只处理 base64 编码图像
def read_img_cv(base64_str):try:img_data = base64.b64decode(base64_str)img = np.frombuffer(img_data, np.uint8)return cv2.imdecode(img, cv2.IMREAD_COLOR)except Exception:return Nonedef invasion(xyxy, points):# 检查目标框中心是否在给定区域内center_x, center_y = (xyxy[0] + xyxy[2]) / 2, (xyxy[1] + xyxy[3]) / 2return any(point[0] < center_x < point[2] and point[1] < center_y < point[3] for point in points)# 设置日志记录
logger.add("./logs/{0}".format("log.log"), rotation="10 MB")# 自定义标签列表
custom_labels = {0: 'backpack',1: 'plastic bag',2: 'shoulder bag', 3: 'person',4: 'handbag',5: 'suitcase'# 根据你的标签数目和顺序调整
}# 参数设置
def set_parameters():return {'device': 'cuda', 'port': 5000}args = set_parameters()
logger.info("start load Model!")
model = YOLO('/your_path/best.pt')  # 修改为你自己的路径@app.route('/predict', methods=['POST'])
def predict():if request.method == 'POST':try:data = request.get_json()img_object = data.get('image')minScore = float(data.get('minScore', 0.45))maxScore = float(data.get('maxScore', 1.0))customerID = data.get('customerID')imageID = data.get('imageID')axisall = data.get('axis', [])# 校验置信度范围if not (0 <= minScore <= 1 and 0 <= maxScore <= 1 and minScore <= maxScore):return jsonify({'customerID': customerID, 'imageID': imageID, 'code': 1, 'msg': '置信度错误', "marks": None, "result": None})# 解码图像img0 = read_img_cv(img_object)if img0 is None:return jsonify({'customerID': customerID, 'imageID': imageID, 'code': 1, 'msg': '图片解码出错', "marks": None, "result": None})w, h = img0.shape[:2]if axisall:axisall = [[max(0, a[0]), max(0, a[1]), min(w, a[2]), min(h, a[3])] for a in axisall]det_list = []try:# 使用YOLO模型进行预测annos = model(img0, conf=minScore)annos = annos[0].boxes.data.clone().cpu().detach().tolist()if annos:for cls, *xyxy, conf in zip(np.array(annos)[:, -1], np.array(annos)[:, :-2], np.array(annos)[:, -2]):category = str(int(cls))# 映射到自定义标签custom_category = custom_labels.get(int(cls), "未知")x0, y0, x1, y1 = map(int, xyxy[0])info = {"cls": custom_category, "axis": [x0, y0, x1, y1], "score": round(conf, 2)}if axisall and not invasion(xyxy[0], axisall):continuedet_list.append(info)except Exception:return jsonify({'customerID': customerID, 'imageID': imageID, 'code': 1, 'msg': '内部错误', "marks": None, "result": None})out = {'customerID': customerID, 'imageID': imageID, 'code': 0, 'msg': 'OK', "marks": det_list, "result": bool(det_list)}logger.info(f'outputs: {out}')return jsonify(out)except Exception:return jsonify({'customerID': None, 'imageID': None, 'code': 1, 'msg': '未知错误', "marks": None, "result": None})if __name__ == "__main__":app.run(host='0.0.0.0', port=args['port'], debug=True)

2.起服务

服务器中操作

运行python app.py，成功截图如下：

3.推理

本地操作

也可以上传数据到你的服务器操作（参考https://blog.csdn.net/weixin_48870215/article/details/144425479?fromshare=blogdetail&sharetype=blogdetail&sharerId=144425479&sharerefer=PC&sharesource=weixin_48870215&sharefrom=from_link），那样需要频繁的导入导出，笔者觉得麻烦。

注：这个模型best.pt是检测人和背包的。

（1）准备测试图片

（2）请求服务器处理代码

client.py具体代码如下：

import os
import base64
import cv2
import requests
from pathlib import Path# 设置输入图片文件夹和输出文件夹
input_folder = r"D:\\Desktop/857"
output_folder = r"D:\\Desktop/857_123"
url = "<http://12.345.678.101:8888/predict>" #你的服务器ip和端口# 确保输出文件夹存在
os.makedirs(output_folder, exist_ok=True)# 类别颜色映射
class_colors = {"person": (0, 255, 0),  # 绿色"bag": (255, 0, 0),     # 蓝色"car": (0, 0, 255),     # 红色"phone": (255, 255, 0), # 黄色# 可以继续添加其他类别的颜色
}# 将图片转换为base64格式
def image_to_base64(image_path):with open(image_path, 'rb') as f:img_byte = f.read()img_b64 = base64.b64encode(img_byte)return img_b64.decode()# 从接口返回的结果画框和置信度
def draw_predictions(image, marks):for mark in marks:cls = mark["cls"]  # 获取类别x1, y1, x2, y2 = map(int, mark["axis"])  # 获取坐标score = mark["score"]  # 获取置信度label = f'{cls}: {score:.2f}'  # 标注类别和置信度# 获取类别颜色，如果没有指定颜色则使用默认颜色（白色）color = class_colors.get(cls, (255, 255, 255))# 画框cv2.rectangle(image, (x1, y1), (x2, y2), color, 5)font_scale = 0.8# 计算标签的大小label_size = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, font_scale, 2)[0]label_x, label_y = x1, y1 - 10# 检查标签是否会超出图像或框的顶部if label_y - label_size[1] - 5 < 0:  label_y = y1 + 10  # 将标签位置调整到框的下方# 绘制背景色以便突出显示类别标签cv2.rectangle(image, (label_x, label_y - label_size[1] - 5), (label_x + label_size[0], label_y), color, -1)# 在框上方标注类别和置信度cv2.putText(image, label, (label_x, label_y - 5), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (0, 0, 0), 2, cv2.LINE_AA)return image# 处理每一张图片
for image_name in os.listdir(input_folder):image_path = os.path.join(input_folder, image_name)# 跳过非图片文件if not image_name.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):print(f"跳过非图片文件: {image_name}")continueprint(f'正在处理图片: {image_name}')try:# 读取图片并转换为base64image_base64 = image_to_base64(image_path)# 构建POST请求的JSON数据payload = {"customerID": "abc_123","imageID": image_name,"minScore": 0.35,"maxScore": 0.99,"timeStamp": "1234455","flexibleParams": "","image": image_base64}# 调用接口response = requests.post(url, json=payload, timeout=10)print("Response status code:", response.status_code)if response.status_code == 200:try:response_data = response.json()  # 尝试解析 JSON 数据print("Response JSON:", response_data)# 读取原始图片image = cv2.imread(image_path)# 获取并画出预测结果if response_data.get("marks"):image = draw_predictions(image, response_data["marks"])# 保存处理后的图片output_path = os.path.join(output_folder, image_name)cv2.imwrite(output_path, image)print(f"Processed and saved: {output_path}")except requests.exceptions.JSONDecodeError:print(f"JSON 解码失败，服务器返回内容: {response.text}")else:print(f"服务器返回错误状态码: {response.status_code}, 内容: {response.text}")except requests.exceptions.RequestException as e:print(f"请求失败: {e}")except Exception as e:print(f"处理图片时发生错误: {e}")

（3）查看结果

app.py服务器返回结果：

client返回结果：

图片返回结果：

看过这六期文章，恭喜你基本掌握了YOLOv8实战流程：数据处理、数据集制作、模型训练、API封装、调用API推理。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/64285.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

MySQL函数—合计统计函数

MySQL函数—合计统计函数

在MySQL中&#xff0c;你可以使用合计统计函数来计算某个列的合计值、平均值、最大值、最小值等。这些合计统计函数包括SUM、AVG、MAX、MIN等。 下面是一些常用的合计统计函数的示例&#xff1a; SUM函数&#xff1a;用于计算某个列的合计值。 SELECT SUM(column_name) FROM…
阅读更多...
51c视觉~YOLO~合集6~

51c视觉~YOLO~合集6~

我自己的原文哦~ https://blog.51cto.com/whaosoft/12830685 一、其他yolo 1.1 Spiking-YOLO​ 使用常规深度神经网络到脉冲神经网络转换方法应用于脉冲神经网络域时&#xff0c;性能下降的很多&#xff0c;深入分析后提出了可能的解释&#xff1a;一是来自逐层归一化的效率…
阅读更多...
Unity3D 3D模型/动画数据压缩详解

Unity3D 3D模型/动画数据压缩详解

前言 在Unity3D项目中&#xff0c;3D模型和动画数据通常占用大量内存和存储空间&#xff0c;有效的数据压缩技术对于提升游戏性能和加载速度至关重要。本文将详细介绍Unity3D中3D模型和动画数据的压缩技术&#xff0c;并提供相关的代码实现。 对惹&#xff0c;这里有一个游戏…
阅读更多...
Elasticsearch Java Api Client中DSL语句的查询方法汇总（二）

Elasticsearch Java Api Client中DSL语句的查询方法汇总（二）

接上一篇&#xff1a;《Elasticsearch Java Api Client中DSL语句的查询方法汇总》 说明&#xff1a;示例代码依赖的是co.elastic.clients:elasticsearch-java:8.16.1。 1、ScriptQuery方法 用途&#xff1a;它允许用户使用脚本&#xff08;通常是 Painless 脚本语言&#xf…
阅读更多...
如何在 Ubuntu 22.04 上安装 Strapi CMS

如何在 Ubuntu 22.04 上安装 Strapi CMS

简介 Strapi 是一个使用 JavaScript 构建的开源、无头内容管理系统 (CMS)。与其他无头 CMS 一样&#xff0c;Strapi 开箱即用不带前端。它使用 API 作为其前端&#xff0c;允许你使用流行的框架&#xff08;如 React 和 Next.js&#xff09;构建网站。Strapi 基于插件系统&…
阅读更多...
数字IC后端零基础入门基础理论（Day1）

数字IC后端零基础入门基础理论（Day1）

数字IC后端设计导入需要用到的input数据如下图所示。 数字后端零基础入门系列 | Innovus零基础LAB学习Day9 Netlist: 设计的Gate level&#xff08;门级&#xff09;网表。下图所示为一个计数器设计综合后的门级netlist。 从这个netlist中我们看到这个设计顶层的名字叫counte…
阅读更多...
序列模型的使用示例

序列模型的使用示例

序列模型的使用示例 1 RNN原理1.1 序列模型的输入输出1.2 循环神经网络&#xff08;RNN&#xff09;1.3 RNN的公式表示2 数据的尺寸 3 PyTorch中查看RNN的参数4 PyTorch中实现RNN&#xff08;1&#xff09;RNN实例化&#xff08;2&#xff09;forward函数&#xff08;3&#xf…
阅读更多...
如何评估呼叫中心大模型呼出机器人的使用效果？

如何评估呼叫中心大模型呼出机器人的使用效果？

如何评估呼叫中心大模型呼出机器人的使用效果&#xff1f; 原作者&#xff1a;开源呼叫中心FreeIPCC&#xff0c;其Github&#xff1a;https://github.com/lihaiya/freeipcc 评估呼叫中心大模型呼出机器人的使用效果是一个复杂而多维的过程&#xff0c;需要综合考虑多个方面&…
阅读更多...
WSL2内部的Ubuntu怎么设置网络内桥接模式，弄了好久老是不成功，怎么办？

WSL2内部的Ubuntu怎么设置网络内桥接模式，弄了好久老是不成功，怎么办？

环境： Win10专业版 WSL2 Ubuntu22.04 问题描述： WSL2内部的Ubuntu怎么设置网络内桥接模式 解决方案： 方法一 1.控制面板开启，Hyper-V 管理器 2.重启电脑 3…创建外部虚拟交换机 打开 Hyper-V 管理器,在右侧操作面板中点击“虚拟交换机管理器”。 选择“创建虚…
阅读更多...
redis集群 服务器更换ip，怎么办，怎么更换redis集群的ip

redis集群 服务器更换ip，怎么办，怎么更换redis集群的ip

redis集群 服务器更换ip&#xff0c;怎么办&#xff0c;怎么更换redis集群的ip 1、安装redis三主三从集群2、正常状态的redis集群3、更改redis集群服务器的ip 重启服务器 集群会down4、更改redis集群服务器的ip 重启服务器 集群down的原因5、更改redis集群服务器的ip后&#xf…
阅读更多...
记录学习《手动学习深度学习》这本书的笔记（五）

记录学习《手动学习深度学习》这本书的笔记（五）

这一章是循环神经网络&#xff0c;太难了太难了&#xff0c;有很多卡壳的地方理解了好久&#xff0c;比如隐藏层和隐状态的区别、代码的含义&#xff08;为此专门另写了一篇【笔记】记录对自主实现一个神经网络的步骤的理解&#xff09;、梯度计算相关&#xff08;【笔记】记录…
阅读更多...
人大金仓数据linux安装注意事项

人大金仓数据linux安装注意事项

人大金仓数据linux安装注意事项 本次是个人搭建虚拟机安装centos7的环境下进行安装。 1、安装流程参照https://help.kingbase.com.cn/v9/install-updata/install-linux/preface.html。 2、mount安装文件报错 操作手册提供mount的命令如下&#xff1a; mount KingbaseES_V009R0…
阅读更多...
【GIS教程】使用GDAL-Python将tif转为COG并在ArcGIS Js前端加载-附完整代码

【GIS教程】使用GDAL-Python将tif转为COG并在ArcGIS Js前端加载-附完整代码

目录 一、数据格式 二、COG特点 三、使用GDAL生成COG格式的数据 四、使用ArcGIS Maps SDK for JavaScript加载COG格式数据 一、数据格式 COG&#xff08;Cloud optimized GeoTIFF&#xff09;是一种GeoTiff格式的数据。托管在 HTTP 文件服务器上&#xff0c;可以代替geose…
阅读更多...
探索智能时代：如何利用AI一键生成PPT改变演示文稿的制作方式

探索智能时代：如何利用AI一键生成PPT改变演示文稿的制作方式

在这个科技飞速发展的时代&#xff0c;信息的传递方式发生了翻天覆地的变化。曾几何时&#xff0c;我们还在为制作PPT而熬夜&#xff0c;手动选择模板、调整布局&#xff0c;甚至为每一张幻灯片的内容苦思冥想。然而&#xff0c;随着人工智能技术的不断进步&#xff0c;制作PPT…
阅读更多...
【LDAP】LDAP概念和原理介绍

【LDAP】LDAP概念和原理介绍

目录 一、前言 二、什么是LDAP&#xff1f; 2.1 什么是目录服务&#xff1f; 2.2 LDAP的介绍 2.3 为什么要使用LDAP 三、LDAP的主要产品线 四、LDAP的基本模型 4.1 目录树概念 4.2 LDAP常用关键字列表 4.3 objectClass介绍 五、JXplorer工具使用 一、前言 对于许多的…
阅读更多...
nginx模板文件

nginx模板文件

nginx模板配置 背景模板文件nginx.conf容器验证 背景 nginx通过读取环境变量完成对nginx.conf的相关代理设置&#xff0c;但是nginx.conf不支持直接读取环境变量、所以使用nginx的模板功能达到相应目的 带有环境变量的 Nginx 配置文件模板。在 Docker 化部署 Nginx 时&#x…
阅读更多...
流架构的读书笔记（1）

流架构的读书笔记（1）

流架构的读书笔记&#xff08;1&#xff09; 一、什么是流&#xff1f; 流是一种网络化的软件集成&#xff0c;它是事件驱动的&#xff0c;松耦合的 高度灵活的和可高度扩展的。它主要是由标准接口和协议 定义的&#xff0c;这些接口和协议能够以最小的冲突和工作量实现 集成…
阅读更多...
善于运用指针（四）--指针数组和多重指针

善于运用指针（四）--指针数组和多重指针

一个数组的元素均为指针类型&#xff0c;称为指针数组。指针数组中的每一个元素应都有地址&#xff0c;相当于一个变量。 文章目录 前言 一、指针数组的定义 二、指向指针数组的指针变量 1.指针数组 2.多重指针 三、main函数的参数 1.argc argv envp 总结 前言 主要是指针数组…
阅读更多...
12篇--图像轮廓绘制与最小外接问题

12篇--图像轮廓绘制与最小外接问题

何为轮廓&#xff1f; 轮廓是一系列相连的点组成的曲线&#xff0c;代表了物体的基本外形。与边缘有什么区别与联系呢&#xff1f; 相对于边缘&#xff0c;轮廓是连续的&#xff0c;边缘不一定连续&#xff0c;如下图所示。其实边缘主要是作为图像的特征使用&#xff0c;比如…
阅读更多...
3.8 路由选择器协议

3.8 路由选择器协议

欢迎大家订阅【计算机网络】学习专栏&#xff0c;开启你的计算机网络学习之旅&#xff01; 文章目录 前言1 静态路由选择2 动态路由选择3 自治系统&#xff08;AS&#xff09;4 域内路由选择5 域间路由选择7 路由器基本结构 前言 在计算机网络中&#xff0c;路由选择协议起着至…
阅读更多...
最新文章

Copyright @ 2022~2023