Skip to content

Latest commit

 

History

History
 
 

ssd_vgg16_300_coco2017

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 
__init__.py
__init__.py
 
 
config.yml
config.yml
 
 
data_feed.py
data_feed.py
 
 
label_file.txt
label_file.txt
 
 
module.py
module.py
 
 
processor.py
processor.py
 
 
vgg.py
vgg.py
 
 

README.md

命令行预测

$ hub run ssd_vgg16_300_coco2017 --input_path "/PATH/TO/IMAGE"

API

def context(trainable=True,
            pretrained=True,
            get_prediction=False)

提取特征，用于迁移学习。

参数

  • trainable(bool): 参数是否可训练；
  • pretrained (bool): 是否加载预训练模型；
  • get_prediction (bool): 是否执行预测。

返回

  • inputs (dict): 模型的输入，keys 包括 'image', 'im_size'，相应的取值为：
    • image (Variable): 图像变量
    • im_size (Variable): 图片的尺寸
  • outputs (dict): 模型的输出。如果 get_prediction 为 False，输出 'head_features'，否则输出 'bbox_out'。
  • context_prog (Program): 用于迁移学习的 Program.
def object_detection(paths=None,
                     images=None,
                     batch_size=1,
                     use_gpu=False,
                     output_dir='detection_result',
                     score_thresh=0.5,
                     visualization=True)

预测API，检测输入图片中的所有目标的位置。

参数

  • paths (list[str]): 图片的路径；
  • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
  • batch_size (int): batch 的大小；
  • use_gpu (bool): 是否使用 GPU；
  • score_thresh (float): 识别置信度的阈值；
  • visualization (bool): 是否将识别结果保存为图片文件；
  • output_dir (str): 图片的保存路径，默认设为 detection_result；

返回

  • res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，各字段为：
    • data (list): 检测结果，list的每一个元素为 dict，各字段为:
      • confidence (float): 识别的置信度；
      • label (str): 标签；
      • left (int): 边界框的左上角x坐标；
      • top (int): 边界框的左上角y坐标；
      • right (int): 边界框的右下角x坐标；
      • bottom (int): 边界框的右下角y坐标；
    • save_path (str, optional): 识别结果的保存路径 (仅当visualization=True时存在)。
def save_inference_model(dirname,
                         model_filename=None,
                         params_filename=None,
                         combined=True)

将模型保存到指定路径。

参数

  • dirname: 存在模型的目录名称
  • model_filename: 模型文件名称，默认为__model__
  • params_filename: 参数文件名称，默认为__params__(仅当combined为True时生效)
  • combined: 是否将参数保存到统一的一个文件中

代码示例

import paddlehub as hub
import cv2

object_detector = hub.Module(name="ssd_vgg16_300_coco2017")
result = object_detector.object_detection(images=[cv2.imread('/PATH/TO/IMAGE')])
# or
# result = object_detector.object_detection((paths=['/PATH/TO/IMAGE'])

服务部署

PaddleHub Serving可以部署一个目标检测的在线服务。

第一步：启动PaddleHub Serving

运行启动命令：

$ hub serving start -m ssd_vgg16_300_coco2017

这样就完成了一个目标检测的服务化API的部署，默认端口号为8866。

NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

第二步：发送预测请求

配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

import requests
import json
import cv2
import base64


def cv2_to_base64(image):
    data = cv2.imencode('.jpg', image)[1]
    return base64.b64encode(data.tostring()).decode('utf8')


# 发送HTTP请求
data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/ssd_vgg16_300_coco2017"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(r.json()["results"])

依赖

paddlepaddle >= 1.6.2

paddlehub >= 1.6.0