使用Streamlight演示你的模型-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

任务

假设您需要展示您在开发计算机视觉模型方面所取得的进展。您正在使用的模型尚未就绪，因此将其部署到适当的开发或生产环境可能需要时间和大量工作。

另一方面，开发与模型交互的特定web界面可能是一项繁琐的任务，需要数据科学家不常见的技能。

流线型照明

Streamlit是一个开源的Python库，可以轻松创建和共享用于机器学习和数据科学的web应用程序。它在向团队展示项目进度.获得并与经理分享见解，甚至获得客户反馈方面非常有用。

它不能取代需要监视.日志记录和其他功能的生产部署。然而，它允许您在几个小时内创建”有用的东西”，而无需事先了解任何web开发知识，甚至无需知道如何使用烧瓶或Django作为后端。

让我们看看它是如何工作的。

安装

要安装Streamlight，请运行：

pip安装streamlit

如果你使用诗歌，运行：

诗歌加流线

要验证所有功能是否正常，可以运行此行并查看一些解释和演示：

streamlit你好

您的第一个应用程序-上传图片让我们从从本地存储加载图像并显示它们开始：

将streamlit导入为st

def加载_图像()：

uploaded＿file＝st.file＿uploader(标签＝”选择要测试的图像”)

如果上传的_文件不是无：

image_data＝上传的_file.getvalue()

st.image(图像数据)

定义main()：

st.title(“图像上传演示”)

加载_图像()

如果＿＿name＿＿＝＝’＿＿main＿＿’：

main()

要运行应用程序，只需键入：streamlint run image_upload.py

然后它将在浏览器中打开应用程序。应该是这样的：

你可以浏览你的电脑并上传你喜欢的任何图片。我选择上传一些可爱企鹅的照片。

部署预训练模型时，了解预训练模型如何工作以获得良好的基线非常有用。现在，您将在Streamlight应用程序中部署其中一个模型，在本例中为ResNet18。要使用PyTorch实现这一点，您需要加载模型并下载ImageNet标记：

def load＿model()：

型号＝火炬轮毂负载(‘pytorch／vision:v0.10.0’，’resnet18’，预处理＝True)

模型评估()

收益模型

def load＿labels()：

labels＿path＝’https:／／raw.githubusercontent.com／pytorch／hub／master／imagenet＿classes.txt’

标签_文件＝os.path.basename(标签_路径)

如果不存在os.path.exis(labels_file)：

wget.download(标签_路径)

打开(labels_file，”r”)为f：

categories＝[s.strip()用于f.readlines()中的s]

退货类别

为了在imageload_image函数上运行模型，您应该修改以前使用的函数以返回图像。您需要将image_data转换为PIL图像对象，以便将其输入到模型中：

def加载_图像()：

uploaded＿file＝st.file＿uploader(标签＝”选择要测试的图像”)

如果上传的_文件不是无：

image_data＝上传的_file.getvalue()

st.image(图像数据)

return Image.open(io.BytesIO(图像_数据))

否则：

return无

以下代码是PyTorch ResNet教程的修改版本。它运行模型预测并显示前五类图像：

定义预测(模型.类别.图像)：

预处理＝变换。合成(〔

调整大小(256)

CenterCrop(224)

transforms.ToTensor()

变换。归一化(平均值＝〔0.485，0.456，0.406〕，标准值＝〔0.229，0.224，0.225〕)

］)

输入_张量＝预处理(图像)

input _ batch＝input _ tensor.unqueze(0)

带火炬。无_级()：

输出＝型号(输入_批次)

概率＝torch.nn.functional.softmax(输出[0]，dim＝0)

top5＿prob，top5＿catid＝torch.topk(概率，5)

对于范围内的i(top5_概率大小(0))：

st.write(类别〔top5〕catid〔i〕〕，top5〕prob〔i〕.item())

当然，您还需要相应地修改main函数：

定义main()：

st.title(“预训练模型演示”)

模型＝载荷＿模型()

类别＝载荷＿标签()

image＝load＿image()

结果＝st.button(“在图像上运行”)

如果结果：

st.write(“计算结果…”)

预测(模型.类别.图像)

首先要改变的是标题。然后将加载模型.标记和图像。您还应该添加一个按钮来触发模型推断。

这就是应用程序的运行方式：

该模型将这些图像分类为”企鹅”，概率为1.0。其他四类的可能姓很小。这个例子的完整代码在Github中。

部署自定义图像分类模型

现在可以部署自定义模型了。您将使用PyTorch模型，该模型根据企鹅类型对图像进行分类。创建使用自定义模型的web应用程序的过程与使用预先训练的模型的过程非常相似，只是做了一些修改。代码可以在此处找到。

关于模型

通常，预先训练的模型不足以满足我们的需求，因为手头的任务更具体，而且这些模型无法涵盖。例如，ImageNet有一个”国王企鹅”类，但实际上有更多的企鹅类型。因此，为了根据企鹅的类型对图像进行分类，我必须训练自己的模型。我用这个笔记本训练。

如果你想了解更多关于这个模型是如何构建的，你可以在上一篇文章中阅读。

获取模型

为模型相关文件创建目录：

mkdir自定义_模型

要直接下载模型文件，可以使用此链接。将其复制到新目录。

将此常量定义添加到代码中：

模型_路径＝’自定义_模型／模型.pt’

创建标签文件

创建一个包含分类类名的文本文件，每个类一行。确保课程顺序与培训期间使用的顺序一致。

例如，要查找企鹅数据集的顺序，您可以在培训笔记本中找到以下几行，并在它们后面添加打印：

class＿name＝image＿dataset〔’train’〕class

打印(班级名称)

这将为您提供以下输出：

[Adelie企鹅.下巴企鹅.帝企鹅.Gentoo企鹅]

因此，您应该将以下类名复制到名为model_class的文件中。txt并将其放置在custom_model目录中：

阿德莉·企鹅

下巴企鹅

帝企鹅

巴布亚企鹅

将新标签文件作为常量添加到代码中：

标签＿路径＝’自定义＿模型／模型＿类.txt

加载模型和标签

模型和标签加载变得更容易：

def-load＿模型(模型＿路径)：

型号＝火炬负载(型号＿路径，地图＿位置＝”cpu”)

模型评估()

收益模型

def加载_标签(标签_文件)：

打开(labels_file，”r”)为f：

categories＝[s.strip()用于f.readlines()中的s]

退货类别

对的

与具有许多标签的ResNet18不同，此自定义模型只有四个标签。因此，您应该修改预测代码以输出所有现有类的概率：

概率＝torch.nn.functional.softmax(输出[0]，dim＝0)

所有_ prob，所有_ catid＝torch.topk(概率，len(类别))

对于范围内的i(所有_概率大小(0))：

st.write(类别〔all〕catid〔i〕〕，all〕prob〔i〕.item())

在主函数中更改应用程序的标题，并传递模型和标签的本地路径：

定义main()：

st.title(“自定义模型演示”)

模型＝载荷_模型(模型_路径)

类别＝负载＿标签(标签＿路径)

image＝load＿image()

结果＝st.button(“在图像上运行”)

如果结果：

st.write(“计算结果…”)

预测(模型.类别.图像)

最后，应用程序应该如下所示：

为了测试这个应用程序，我上传了一张Gentoo企鹅的照片。该模型将图像分类为Gentoo企鹅图像，概率为0.91。其他企鹅的概率要低得多。除了确认应用程序运行良好之外，我还得到了模型正确姓的另一个证明。很好，对吧？

结论

开发一个运行良好的计算机视觉模型需要花费大量时间和精力。在此过程中，您可能需要部署模型，并向经理.团队成员和客户演示其功能。

Streamlight是一个功能强大且易于使用的工具，即使您没有适当的内部工具或前端知识，也可以实现这一点。

我举例说明了Streamlight在图像分类中的潜在用途。但是，它可以用于其他类型的计算机视觉任务，以及可视化.数据分析等。我鼓励您浏览Streamlight网站上的示例，并亲自尝试该工具，看看它如何融入您的日常工作。