semantic_segmentation_deeplabv3p_xception65_humanseg

部署图像分割服务-以deeplabv3p_xception65_humanseg为例

简介

图像分割是深度学习的常见任务。使用deeplabv3p_xception65_humanseg模型可以进行人像分割任务，关于deeplabv3p_xception65_humanseg的具体信息请参见deeplabv3p_xception65_humanseg。

使用PaddleHub Serving可以轻松部署一个在线图像分割服务API，可将此API接入自己的web网站进行在线图像分割，也可接入移动端应用程序，实现拍照分割等功能。

下面就带领大家使用PaddleHub Serving，通过简单几步部署一个目标检测服务。

Step1：启动PaddleHub Serving

启动命令如下

$ hub serving start -m deeplabv3p_xception65_humanseg

启动时会显示加载模型过程，启动成功后显示：

Loading deeplabv3p_xception65_humanseg successful.

这样就完成了一个图像分割服务化API的部署，默认端口号为8866。

Step2：测试图像分割在线API

首先指定编码格式及引入需要的包：

>>> # coding: utf8
>>> import requests
>>> import json
>>> import base64
>>> import os

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: 文件列表每个元素第一个参数为"image"。

代码如下

>>> # 指定要检测的图片并生成列表[("image", img_1), ("image", img_2), ... ]
>>> file_list = ["../../../../docs/imgs/girl.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割服务API，并得到结果，代码如下：

>>> # 指定检测方法为deeplabv3p_xception65_humanseg并发送post请求
>>> url = "http://127.0.0.1:8866/predict/image/deeplabv3p_xception65_humanseg"
>>> r = requests.post(url=url, files=files)

我们可以打印接口返回结果：

>>> results = eval(r.json()["results"])
>>> print(json.dumps(results, indent=4, ensure_ascii=False))
[
        {
            "origin": "girl.jpg",
            "processed": "humanseg_output/girl.png"
        }
]

deeplabv3p_xception65_humanseg返回的结果还包括人像分割后的图像的base64编码格式，经过转换可以得到生成图像。 我们建立一个文件夹用于存放结果图片：

>>> if not os.path.exists("output"):
>>>     os.mkdir("output")

然后将图片数据解码并保存，代码如下：

>>> results = eval(r.json()["results"])
>>> for item in results:
...     with open(output_path, "wb") as fp:
...         fp.write(base64.b64decode(item["base64"].split(',')[-1]))

查看指定输出文件夹，就能看到生成图像了，如图：

这样我们就完成了对图像分割模型deeplabv3p_xception65_humanseg服务化的部署和测试。

完整的测试代码见deeplabv3p_xception65_humanseg_serving_demo.py。