$ hub install mobilenet_v3_large_imagenet_ssld==1.0.0

命令行预测

hub run mobilenet_v3_large_imagenet_ssld --input_path "/PATH/TO/IMAGE"

API

def get_expected_image_width()

返回预处理的图片宽度，也就是224。

def get_expected_image_height()

返回预处理的图片高度，也就是224。

def get_pretrained_images_mean()

返回预处理的图片均值，也就是 [0.485, 0.456, 0.406]。

def get_pretrained_images_std()

返回预处理的图片标准差，也就是 [0.229, 0.224, 0.225]。

def context(trainable=True, pretrained=True)

参数

• trainable (bool): 计算图的参数是否为可训练的；
• pretrained (bool): 是否加载默认的预训练模型。

返回

• inputs (dict): 计算图的输入，key 为 'image', value 为图片的张量；
• outputs (dict): 计算图的输出，key 为 'classification' 和 'feature_map'，其相应的值为：
  • classification (paddle.fluid.framework.Variable): 分类结果，也就是全连接层的输出；
  • feature_map (paddle.fluid.framework.Variable): 特征匹配，全连接层前面的那个张量。
• context_prog(fluid.Program): 计算图，用于迁移学习。

def classification(images=None,
                   paths=None,
                   batch_size=1,
                   use_gpu=False,
                   top_k=1):

参数

• images (list[numpy.ndarray]): 图片数据，每一个图片数据的shape 均为 [H, W, C]，颜色空间为 BGR；
• paths (list[str]): 图片的路径；
• batch_size (int): batch 的大小；
• use_gpu (bool): 是否使用 GPU 来预测；
• top_k (int): 返回预测结果的前 k 个。

返回

res (list[dict]): 分类结果，列表的每一个元素均为字典，其中 key 为识别动物的类别，value为置信度。

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

classifier = hub.Module(name="mobilenet_v3_large_imagenet_ssld")

result = classifier.classification(images=[cv2.imread('/PATH/TO/IMAGE')])
# or
# result = classifier.classification(paths=['/PATH/TO/IMAGE'])

服务部署

PaddleHub Serving可以部署一个在线动物识别服务。

第一步：启动PaddleHub Serving

运行启动命令：

$ hub serving start -m mobilenet_v3_large_imagenet_ssld

这样就完成了一个在线动物识别服务化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/mobilenet_v3_large_imagenet_ssld"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(r.json()["results"])

查看代码

PaddleClas

依赖

paddlepaddle >= 1.6.2

paddlehub >= 1.6.0