classification_vgg11_imagenet

部署图像分类服务-以vgg11_imagenent为例

简介

图像分类是指通过模型，预测给定的图片所属类别，vgg11_imagenent就是一种有效的图像分类模型。关于vgg11_imagenent的具体信息请参见vgg11_imagenent。

使用PaddleHub Serving可以部署一个在线图片分类服务，既可以对用户暴露直接预测接口，也可以利用此接口实现一个web网站，甚至可以集成到移动端应用程序中实现拍照识别功能。

这里就带领大家使用PaddleHub Serving，通过简单几步部署一个图像分类服务。

Step1：启动PaddleHub Serving

启动命令如下：

$ hub serving start -m vgg11_imagenet  

启动时会显示加载模型过程，启动成功后显示：

Loading vgg11_imagenet successful.

这样就完成了一个图像分类服务化API的部署，默认端口号为8866。

Step2：测试图像分类在线API

首先引入需要的包：

>>> import requests
>>> import json

我们用来测试的样例图片为：

准备的数据格式为：

files = [("image", file_1), ("image", file_2)]

NOTE: 每个元素第一个参数为"image"。

代码如下：

>>> file_list = ["../img/cat.jpg", "../img/flower.jpg"]  
>>> files = [("image", (open(item, "rb"))) for item in file_list]

Step3：获取并验证结果

然后就可以发送请求到图像分类服务API，并得到结果了，代码如下：

>>> # 指定检测方法为vgg11_imagenet并发送post请求
>>> url = "http://127.0.0.1:8866/predict/image/vgg11_imagenet"
>>> r = requests.post(url=url, files=files)

vgg11_imagenent返回的结果为图像分类结果及其对应的概率，我们尝试打印接口返回结果：

>>> results = eval(r.json()["results"])
>>> print(json.dumps(results, indent=4, ensure_ascii=False))
[
    [
        {
            "Egyptian cat": 0.540287435054779
        }
    ],
    [
        {
            "daisy": 0.9976677298545837
        }
    ]
]

这样我们就完成了对图像分类预测服务化部署和测试。

完整的测试代码见vgg11_imagenent_serving_demo.py。