OpenCV-Python实战（23）——将OpenCV计算机视觉项目部署到云端

转x33g5p2x  于2022-03-24 转载在 Python  
字(8.6k)|赞(0)|评价(0)|浏览(552)

0. 前言

我们已经学习了如何将在 Web 端部署 OpenCV 计算机视觉项目，但是部署完成的项目只能在局域网中进行访问，如果想要在广域网中进行访问，需要将其部署到云端将其公开。
要将应用程序部署到云端，有很多选择，例如，谷歌云，Microsoft Azure，亚马逊云，阿里云，腾讯云等等。但是上述云环境均需要一定费用，作为初学者或者想要简单测试的话，可以使用 PythonAnywhere，它是一个 Python 在线集成开发环境 (integrated development environment, IDE) 和 Web 托管环境，可以轻松地创建和运行 Python 程序，并且可以创建免费的初学者账户。在本文中，我们将学习如何在 PythonAnywhere 上部署 Flask OpenCV 应用程序。

1. 创建 PythonAnywhere 站点环境

PythonAnywhere 使用起来非常简单，是托管基于机器学习的 Web 应用程序的推荐方式。
为了完整展示如何使用 PythonAnywhere 将 Flask 应用程序部署到云端，我们将从创建站点开始讲解：

  1. 创建一个 PythonAnywhere 帐户，作为初学者，我们创建初学者账户就足够了：

  1. 注册后可以看到一个简单的新手教程(可以看到，此处创建了 panxiaohui 用户)，可以快速预览 PythonAnywhere 的功能，或者也可以选择跳过：

  1. 单击 “Open Web tab” 菜单：

  1. 单击 “Add a new web app” 按钮添加一个 Web 应用

  1. 此时，已准备好创建新的 Web 应用程序，单击 “Next”：

  1. 由于我们要使用 Flask 框架，因此单击选择 Flask：

  1. 单击所需版本的 Python 后，点击 Next：

  1. 最后设置项目路径后，单击 Next，完成项目创建：

至此已经完成创建了 Flask 应用程序，可以通过访问 https://user_name.pythonanywhere.com 看到该应用程序(例如，我的用户名为 panxiaohui，因此 URL 为 https://panxiaohui.pythonanywhere.com)。

2. 将 OpenCV 计算机视觉项目部署到云端

完成项目的创建后，就可以上传编写完成的计算机视觉程序了。

  1. 编写 flask_app.py 文件解析请求并构建响应：
  1. from flask import Flask, request, jsonify, make_response
  2. import urllib.request
  3. from image_processing import ImageProcessing
  4. import cv2
  5. import numpy as np
  7. app = Flask(__name__)
  8. od = ImageProcessing()
  10. @app.errorhandler(400)
  11. def bad_request(e):
  12.     # return also the code error
  13.     return jsonify({"status": "Not ok", "message": "This server could not understand your request"}), 400
  15. @app.errorhandler(404)
  16. def not_found(e):
  17.     # return also the code error
  18.     return jsonify({"status": "Not found", "message": "Route not found"}), 404
  20. @app.errorhandler(500)
  21. def not_found(e):
  22.     # return also the code error
  23.     return jsonify({"status": "Internal error", "message": "Internal error occurred in server"}), 500
  25. @app.route('/detect', methods=['GET', 'POST', 'PUT'])
  26. def object_dection():
  27.     if request.method == 'GET':
  28.         if request.args.get('url'):
  29.             with urllib.request.urlopen(request.args.get('url')) as url:
  30.                 image_byte = url.read()
  32.             image_array = np.asarray(bytearray(image_byte), dtype=np.uint8)
  33.             output = od.obj_detection(image_byte)
  35.             img_opencv = cv2.imdecode(image_array, -1)
  36.             for obj in output:
  37.                 left, top, right, bottom = obj['box']
  38.                 name = obj['name']
  39.                 confidence = str(obj['confidence'])
  40.                 label = name + ': ' + confidence
  41.                 labelSize, baseLine = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 1, 2)
  42.                 yLeftBottom = max(top, labelSize[1])
  43.                 # 绘制检测框、类别名和置信度
  44.                 cv2.rectangle(img_opencv, (left, top), (right, bottom), (0, 255, 255), 2)
  45.                 cv2.rectangle(img_opencv, (left, yLeftBottom - labelSize[1]), (left + labelSize[0], yLeftBottom + 0), (0, 255, 0), cv2.FILLED)
  46.                 cv2.putText(img_opencv, label, (left, yLeftBottom), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 0), 2)
  48.             retval, buffer = cv2.imencode('.jpg', img_opencv)
  49.             # 构造响应消息
  50.             response = make_response(buffer.tobytes())
  51.             response.headers['Content-Type'] = 'image/jpeg'
  53.             return response
  54.         else:
  55.             return jsonify({'status': 'Bad request', 'message': 'Parameter url is not present'}), 400
  56.     elif request.method == 'POST':
  57.         if request.files.get('image'):
  58.             return jsonify({'status': 'Ok', 'result': od.obj_detection(request.files['image'].read())}), 200
  59.         else:
  60.             return jsonify({'status': 'Bad request', 'message': 'Parameter image is not present'}), 400
  61.     else:
  62.         return jsonify({'status': 'Failure', 'message': 'PUT method not supported for API'}), 405
  64. @app.route('/', methods=['GET'])
  65. def info_view():
  66.     # List of routes for this API
  67.     output = {
  68.         'info': 'GET /',
  69.         'detect object via POST': 'POST /detect',
  70.         'detect object via GET': 'GET /detect',
  71.     }
  72.     return jsonify(output), 200
  74. if __name__ == '__main__':
  75.     app.run(debug=True)
  1. 编写 image_processing 文件，用于检测目标物体：
  1. import os
  2. import cv2
  3. import numpy as np
  5. class ImageProcessing(object):
  6.     def __init__(self):
  7.         # 在构造函数中实例化 SSD 深度学习模型用于目标检测
  8.         # "/home/panxiaohui/mysite/MobileNetSSD_deploy.prototxt.txt" 是上传的模型位置
  9.         self.file_prototxt = "/home/panxiaohui/mysite/MobileNetSSD_deploy.prototxt.txt"
  10.         # "/home/panxiaohui/mysite/MobileNetSSD_deploy.caffemodel" 是上传的模型权重位置
  11.         self.file_caffemodel = "/home/panxiaohui/mysite/MobileNetSSD_deploy.caffemodel"
  12.         self.class_names = {0: 'background', 1: 'aeroplane', 2: 'bicycle', 3: 'bird', 4: 'boat', 5: 'bottle', 6: 'bus', 7: 'car',8: 'cat', 9: 'chair', 10: 'cow', 11: 'diningtable', 12: 'dog', 13: 'horse', 14: 'motorbike', 15: 'person', 16: 'pottedplant', 17: 'sheep', 18: 'sofa', 19: 'train', 20: 'tvmonitor'}
  13.         self.net = cv2.dnn.readNetFromCaffe(self.file_prototxt, self.file_caffemodel)
  14.     
  15.     def obj_detection(self, image):
  16.         image_array = np.asarray(bytearray(image), dtype=np.uint8)
  17.         img_opencv = cv2.imdecode(image_array, -1)
  18.         # 图像预处理
  19.         blob = cv2.dnn.blobFromImage(img_opencv, 0.007843, (300, 300), (127.5, 127.5, 127.5))
  20.         # 前向计算
  21.         self.net.setInput(blob)
  22.         detections = self.net.forward()
  23.         # 预处理后图像尺寸
  24.         dim = 300
  25.         
  26.         output = []
  27.         
  28.         for i in range(detections.shape[2]):
  29.             confidence = detections[0, 0, i, 2]
  30.             if confidence > 0.1:
  31.                 # 获取类别标签
  32.                 class_id = int(detections[0, 0, i, 1])
  33.                 # 获取对象位置的坐标
  34.                 left = int(detections[0, 0, i, 3] * dim)
  35.                 top = int(detections[0, 0, i, 4] * dim)
  36.                 right = int(detections[0, 0, i, 5] * dim)
  37.                 bottom = int(detections[0, 0, i, 6] * dim)
  38.                 # 图像尺寸的比例系数
  39.                 heightFactor = img_opencv.shape[0] / dim
  40.                 widthFactor = img_opencv.shape[1] / dim
  41.                 # 检测框坐标
  42.                 left = int(widthFactor * left)
  43.                 top = int(heightFactor * top)
  44.                 right = int(widthFactor * right)
  45.                 bottom = int(heightFactor * bottom)
  46.                 if class_id in self.class_names:
  47.                     obj = {'name':self.class_names[class_id], 'confidence':float(confidence), 'box': [left, top, right, bottom]}
  48.                     output.append(obj)
  49.         return output
  1. 编写完成代码后，就可以上传代码和模型权重等项目文件了，首先在 Web 菜单的 Code 部分中单击 go to directory：

  1. 使用 “Upload a file” 按钮将文件上传到云端，包括：flask_app.py、image_processing.py、MobileNetSSD_deploy.prototxt.txt 和 MobileNetSSD_deploy.caffemodel (项目中使用了 MobileNet-SSD 目标检测模型，这里对训练后 MobileNet-SSD 模型架构和模型权重参数文件进行压缩供大家进行下载，也可以自己构建模型训练获得 MobileNet-SSD 模型参数)：

  1. 上传文件完成后，下一步是设置虚拟环境，通过单击 Open Bash 控制台来打开 bash 控制台：

  1. 打开控制台后，运行以下命令：
  1. $ mkvirtualenv --python=/usr/bin/python3.9 my-virtualenv

可以看到提示从 $ 更改为 (my-virtualenv)$，这意味着已经激活了虚拟环境，接下来安装必需的包 (flask 和 opencv-contrib-python)：

  1. (my-virtualenv)$ pip install flask
  2. (my-virtualenv)$ pip install opencv-contrib-python

可以使用以下命令重新激活已经创建的虚拟环境：

  1. $ workon my-virtualenv

  1. 至此，项目已经可以说基本完成了，最后一步是通过单击菜单中的 Web 选项中 “Reload” 来重新加载上传的项目：

3. 测试部署在云端的计算机视觉项目

接下来，我们测试上传到 PythonAnywhere 的计算机视觉 API，可以使用 https://user_name.pythonanywhere.com/ 访问(其中 user_name 为用户名，例如可以访问 https://panxiaohui.pythonanywhere.com/)：

接下来可以看到 JSON 响应，这是因为我们使用 route() 装饰器将 info_view() 函数绑定到 URL /，在访问 https://panxiaohui.pythonanywhere.com/ 时，将获得此 API 的路由列表。
接下来，我们使用 API 进行测试目标检测任务，首先构造 GET 请求：

  1. https://panxiaohui.pythonanywhere.com/detect?url=https://raw.githubusercontent.com/opencv/opencv/master/samples/data/lena.jpg

其中，参数 url 的值为网络图片有效负载，检测结果如下所示：

最后，我们对部署到 PythonAnywhere 的目标检测 API 执行 POST 请求：

  1. import cv2
  2. import numpy as np
  3. import requests
  4. from matplotlib import pyplot as plt
  6. def show_img_with_matplotlib(color_img, title, pos):
  7.     img_RGB = color_img[:, :, ::-1]
  8.     ax = plt.subplot(1, 1, pos)
  9.     plt.imshow(img_RGB)
  10.     plt.title(title, fontsize=10)
  11.     plt.axis('off')
  13. FACE_DETECTION_REST_API_URL = "http://panxiaohui.pythonanywhere.com/detect"
  14. IMAGE_PATH = "test_img.jpg"
  16. # 加载图像并构造有效负载
  17. image = open(IMAGE_PATH, "rb").read()
  18. payload = {"image": image}
  20. # 提交 POST 请求
  21. r = requests.post(FACE_DETECTION_REST_API_URL, files=payload)
  23. # 打印响应信息
  24. print("status code: {}".format(r.status_code))
  25. print("headers: {}".format(r.headers))
  26. print("content: {}".format(r.json()))
  28. # 解析响应
  29. json_data = r.json()
  30. result = json_data['result']
  31. # 将加载图像转换为 opencv 格式
  32. image_array = np.asarray(bytearray(image), dtype=np.uint8)
  33. img_opencv = cv2.imdecode(image_array, -1)
  35. for obj in result:
  36.     left, top, right, bottom = obj['box']
  37.     name = obj['name']
  38.     confidence = str(obj['confidence'])
  39.     label = name + ': ' + confidence
  40.     labelSize, baseLine = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 1, 2)
  41.     yLeftBottom = max(top, labelSize[1])
  42.     # 绘制检测框、类别及置信度
  43.     cv2.rectangle(img_opencv, (left, top), (right, bottom), (0, 255, 255), 2)
  44.     cv2.rectangle(img_opencv, (left, yLeftBottom - labelSize[1]), (left + labelSize[0], yLeftBottom + 0), (0, 255, 0), cv2.FILLED)
  45.     cv2.putText(img_opencv, label, (left, yLeftBottom), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 0), 2)
  47. # 可视化
  48. fig = plt.figure(figsize=(8, 6))
  49. plt.suptitle("Using object API at http://panxiaohui.pythonanywhere.com/detect", fontsize=14, fontweight='bold')
  50. show_img_with_matplotlib(img_opencv, "object detection", 1)
  51. plt.show()

通过测试，可以确认我们的目标检测 API 已启动并且可以完美的在云端运行。

小结

在本系列的最后，我们学习了如何使用提供 Web 托管服务的 PythonAnywhere 将 Flask 应用程序部署到云端，我们使用 OpenCV、Keras 和 Flask 开发了完整的 Web 计算机视觉应用程序，并测试构建浏览器的请求(包括 GET 和 POST)，确认了我们的目标检测 API 已启动并且可以完美的在云端运行。

系列链接

OpenCV-Python实战（1）——OpenCV简介与图像处理基础
OpenCV-Python实战（2）——图像与视频文件的处理
OpenCV-Python实战（3）——OpenCV中绘制图形与文本
OpenCV-Python实战（4）——OpenCV常见图像处理技术
OpenCV-Python实战（5）——OpenCV图像运算
OpenCV-Python实战（6）——OpenCV中的色彩空间和色彩映射
OpenCV-Python实战（7）——直方图详解
OpenCV-Python实战（8）——直方图均衡化
OpenCV-Python实战（9）——OpenCV用于图像分割的阈值技术
OpenCV-Python实战（10）——OpenCV轮廓检测
OpenCV-Python实战（11）——OpenCV轮廓检测相关应用
OpenCV-Python实战（12）——一文详解AR增强现实
OpenCV-Python实战（13）——OpenCV与机器学习的碰撞
OpenCV-Python实战（14）——人脸检测详解
OpenCV-Python实战（15）——面部特征点检测详解
OpenCV-Python实战（16）——人脸追踪详解
OpenCV-Python实战（17）——人脸识别详解
OpenCV-Python实战（18）——深度学习简介与入门示例
OpenCV-Python实战（19）——OpenCV与深度学习的碰撞
OpenCV-Python实战（20）——OpenCV计算机视觉项目在Web端的部署
OpenCV-Python实战（21）——OpenCV人脸检测项目在Web端的部署
OpenCV-Python实战（22）——使用Keras和Flask在Web端部署图像识别应用

版权说明 : 本文为转载文章, 版权归原作者所有 版权申明

原文链接 : https://blog.csdn.net/LOVEmy134611/article/details/120584409

内容来源于网络，如有侵权，请联系作者删除！

pythonopencv计算机视觉

相关文章

    查看更多

    热门标签

    更多
    JavaquerypythonNode开发语言requestUtil数据库Table后端算法LoggerMessageElementParser

    最新文章

    更多
    • 蜀ICP备13028337号-1 大数据知识库 https://www.saoniuhuo.com © All rights reserved
    • 本站内容来源互联网,如果侵犯您的权益请联系我们删除, 联系方式：448109455@qq.com