基于flask的YOLO目标检测web服务及接口

这个小项目是基于flask微型目标检测服务。使用的是YOLOv3版本，使用的是在coco数据集上已经训练好的参数。整个目录结构如下（我运行的环境是window10，pycharm）：

其中：

cfg是YOLOv3的配置文件，包括权重，网络结构和coco数据集的标签；
static是通过网络访问该服务时被保存的图片；
templates是网页UI的代码；
flask_yolo.py是启动该服务的入口；
testYoloSer.py是测试该服务的接口代码；
yolomain.py是YOLOv3的实现代码；

项目下载地址：https://download.csdn.net/download/qq_31112205/11795537

需要注意的是，由于上传大小的限制只能上传小于220M的文件，而该目录中yolov3_coco.weights就有230多M。如果想运行你需要下载该文件，当然你用积分下载该项目后不想自己找，也可以在下面评论留言，我可以发给你。

其中，主要文件的代码如下：

flask_yolo.py

# -*- coding: utf-8 -*-#
# Author:       weiz
# Date:         2019/9/16 14:12
# Name:         flask_yolo
# Description: 一个可以在浏览器使用YOLO目标检测的函数，和一个可以通过网络访问的YOLO目标检测的接口
#              直接运行就可以在浏览器上面输入带检测图片，并返回检测的结果；同时，可以接受通过局域网
#              访问该接口的服务。from flask import Flask, render_template, request, jsonify, make_response
from werkzeug.utils import secure_filename
import os
import cv2
import time
import json
from PIL import Image
from io import BytesIO
import json
import numpy as npfrom datetime import timedelta
import yolomain# 设置允许的文件格式
ALLOWED_EXTENSIONS = set(['png', 'jpg', 'JPG', 'PNG', 'bmp'])def allowed_file(filename):return '.' in filename and filename.rsplit('.', 1)[1] in ALLOWED_EXTENSIONSapp = Flask(__name__)
# 设置静态文件缓存过期时间
app.send_file_max_age_default = timedelta(seconds=1)# @app.route('/upload', methods=['POST', 'GET'])
@app.route('/upload', methods=['POST', 'GET'])  # 添加路由
def upload():if request.method == 'POST':f = request.files['file']if not (f and allowed_file(f.filename)):return jsonify({"error": 1001, "msg": "请检查上传的图片类型，仅限于png、PNG、jpg、JPG、bmp"})user_input = request.form.get("name")# 当前文件所在路径basepath = os.path.dirname(__file__)# 注意：没有的文件夹一定要先创建，不然会提示没有该路径upload_path = os.path.join(basepath, 'static/images', secure_filename(f.filename))f.save(upload_path)lab, img, loc = yolomain.yolo_detect(pathIn=upload_path)cv2.imwrite(os.path.join(basepath, 'static/images', 'test.jpg'), img)return render_template('upload_ok.html', userinput=user_input, val1=time.time(), data_dict=lab)return render_template('upload.html')@app.route('/yolo_service',methods=['POST'])
def detection():img = request.stream.read()f = BytesIO(img)image = Image.open(f)image = np.array(image, dtype='float32')boxes, lab = yolomain.yolo_ser(image)rsp = make_response(json.dumps(lab))rsp.mimetype = 'application/json'rsp.headers['Connection'] = 'close'return rspif __name__ == '__main__':app.run(host='0.0.0.0', port=5000)

testYoloSer.py

# -*- coding: utf-8 -*-#
# Author:       weiz
# Date:         2019/9/16 17:05
# Name:         test_yolo
# Description: 测试YOLOweb服务是否可以使用的代码（请先运行flask_yolo.py）import requests
import os
import json
if __name__ == '__main__':# 注意填写自己电脑的IP地址url = 'http://192.168.124.19:5000/yolo_service'headers = {'Content-Type': 'image/jpeg'}file = {'media': open('./static/images/test.jpg', 'rb')}requests.post(url, files=file)data = open('./static/images/test.jpg', 'rb').read()r = requests.post(url, data=data, headers=headers, verify=False)print("类别：置信度 (左上角X坐标,左上角Y坐标) (目标的宽, 目标的高)")print(r.text)

yolomain.py

# -*- coding: utf-8 -*-
# Author:       weiz
# Date:         2019/9/16 17:00
# Name:         test_yolo
# Description:  YOLOv3目标检测的代码，提供检测的接口；也可以单独运行。
# 载入所需库
import cv2
import numpy as np
import os
import timedef yolo_detect(im=None,pathIn=None,label_path='./cfg/coco.names',config_path='./cfg/yolov3_coco.cfg',weights_path='./cfg/yolov3_coco.weights',confidence_thre=0.5,nms_thre=0.3):'''im:原始图片pathIn：原始图片的路径label_path：类别标签文件的路径config_path：模型配置文件的路径weights_path：模型权重文件的路径confidence_thre：0-1，置信度（概率/打分）阈值，即保留概率大于这个值的边界框，默认为0.5nms_thre：非极大值抑制的阈值，默认为0.3'''# 加载类别标签文件LABELS = open(label_path).read().strip().split("\n")nclass = len(LABELS)# 为每个类别的边界框随机匹配相应颜色np.random.seed(42)COLORS = np.random.randint(0, 255, size=(nclass, 3), dtype='uint8')# 载入图片并获取其维度#base_path = os.path.basename(pathIn)if pathIn == None:img = imelse:img = cv2.imread(pathIn)(H, W) = img.shape[:2]net = cv2.dnn.readNetFromDarknet(config_path, weights_path)# 获取YOLO输出层的名字ln = net.getLayerNames()ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]# 将图片构建成一个blob，设置图片尺寸，然后执行一次# YOLO前馈网络计算，最终获取边界框和相应概率blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False)net.setInput(blob)start = time.time()layerOutputs = net.forward(ln)end = time.time()# 初始化边界框，置信度（概率）以及类别boxes = []confidences = []classIDs = []# 迭代每个输出层，总共三个for output in layerOutputs:# 迭代每个检测for detection in output:# 提取类别ID和置信度scores = detection[5:]classID = np.argmax(scores)confidence = scores[classID]# 只保留置信度大于某值的边界框if confidence > confidence_thre:# 将边界框的坐标还原至与原图片相匹配，记住YOLO返回的是# 边界框的中心坐标以及边界框的宽度和高度box = detection[0:4] * np.array([W, H, W, H])(centerX, centerY, width, height) = box.astype("int")# 计算边界框的左上角位置x = int(centerX - (width / 2))y = int(centerY - (height / 2))# 更新边界框，置信度（概率）以及类别boxes.append([x, y, int(width), int(height)])confidences.append(float(confidence))classIDs.append(classID)# 使用非极大值抑制方法抑制弱、重叠边界框idxs = cv2.dnn.NMSBoxes(boxes, confidences, confidence_thre, nms_thre)lab = []loc = []# 确保至少一个边界框if len(idxs) > 0:# 迭代每个边界框for i in idxs.flatten():# 提取边界框的坐标(x, y) = (boxes[i][0], boxes[i][1])(w, h) = (boxes[i][2], boxes[i][3])# 绘制边界框以及在左上角添加类别标签和置信度color = [int(c) for c in COLORS[classIDs[i]]]cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)text = '{}: {:.3f}'.format(LABELS[classIDs[i]], confidences[i])(text_w, text_h), baseline = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2)cv2.rectangle(img, (x, y-text_h-baseline), (x + text_w, y), color, -1)cv2.putText(img, text, (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 2)text_inf = text + ' ' + '(' + str(x) + ',' + str(y) + ')' + ' ' + '宽:' + str(w) + '高:' + str(h)loc.append([x, y, w, h])lab.append(text_inf)return lab, img, locdef yolo_ser(im,label_path='./cfg/coco.names',config_path='./cfg/yolov3_coco.cfg',weights_path='./cfg/yolov3_coco.weights',confidence_thre=0.5,nms_thre=0.3):'''im:原始图片label_path：类别标签文件的路径config_path：模型配置文件的路径weights_path：模型权重文件的路径confidence_thre：0-1，置信度（概率/打分）阈值，即保留概率大于这个值的边界框，默认为0.5nms_thre：非极大值抑制的阈值，默认为0.3'''LABELS = open(label_path).read().strip().split("\n")nclass = len(LABELS)np.random.seed(42)COLORS = np.random.randint(0, 255, size=(nclass, 3), dtype='uint8')img = im(H, W) = img.shape[:2]net = cv2.dnn.readNetFromDarknet(config_path, weights_path)# 获取YOLO输出层的名字ln = net.getLayerNames()ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]# 将图片构建成一个blob，设置图片尺寸，然后执行一次# YOLO前馈网络计算，最终获取边界框和相应概率blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False)net.setInput(blob)start = time.time()layerOutputs = net.forward(ln)end = time.time()# 初始化边界框，置信度（概率）以及类别boxes = []confidences = []classIDs = []# 迭代每个输出层，总共三个for output in layerOutputs:# 迭代每个检测for detection in output:# 提取类别ID和置信度scores = detection[5:]classID = np.argmax(scores)confidence = scores[classID]# 只保留置信度大于某值的边界框if confidence > confidence_thre:# 将边界框的坐标还原至与原图片相匹配，记住YOLO返回的是# 边界框的中心坐标以及边界框的宽度和高度box = detection[0:4] * np.array([W, H, W, H])(centerX, centerY, width, height) = box.astype("int")# 计算边界框的左上角位置x = int(centerX - (width / 2))y = int(centerY - (height / 2))# 更新边界框，置信度（概率）以及类别boxes.append([x, y, int(width), int(height)])confidences.append(float(confidence))classIDs.append(classID)# 使用非极大值抑制方法抑制弱、重叠边界框idxs = cv2.dnn.NMSBoxes(boxes, confidences, confidence_thre, nms_thre)lab_cfd = []lab = []loc = []# 确保至少一个边界框if len(idxs) > 0:# 迭代每个边界框for i in idxs.flatten():# 提取边界框的坐标(x, y) = (boxes[i][0], boxes[i][1])(w, h) = (boxes[i][2], boxes[i][3])# 绘制边界框以及在左上角添加类别标签和置信度color = [int(c) for c in COLORS[classIDs[i]]]cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)text = '{}: {:.3f}'.format(LABELS[classIDs[i]], confidences[i])(text_w, text_h), baseline = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2)cv2.rectangle(img, (x, y - text_h - baseline), (x + text_w, y), color, -1)cv2.putText(img, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 2)text_inf = text + ' ' + '(' + str(x) + ',' + str(y) + ')' + ' ' + '(' + str(w) + ',' + str(h) + ')'loc.append([x, y, w, h])lab.append(text_inf)return loc, labif __name__ == '__main__':pathIn = './static/images/test1.jpg'im = cv2.imread('./static/images/test2.jpg')lab, img, loc = yolo_detect(pathIn=pathIn)print(lab)# cv2.imshow("ret", img)# cv2.waitKey(0)

web端展示（注意地址的输入）：

接口端效果展示：

上面的项目不能部署到Linux系统上。下面的代码是可以让上面的项目快速部署成功。

文件名是runServer.sh

#!/usr/bin/env bash
export LANG=zh_CN.UTF-8PRG_KEY="FWebYolo"
RUN_PATH=$(cd `dirname $0`;pwd)   # Get the absolute path of the workcd $RUN_PATHcase "$1" instart)nohup python3 -u $RUN_PATH/flask_yolo1.py runserver > nohup.log 2>&1 &echo "$PRG_KEY started, please check log.";;stop)pid=$(pgrep -f $PRG_KEY)echo "$pid"kill -9 $pid##killall python3echo "$PRG_KEY stoped!";;restart)$0 stopsleep 1$0 start;;*)echo "Usage: $0 {start|stop|restart}"exit 1
esacexit 0

开启服务的命令：

开启服务：sh runServer.sh start
关闭服务：sh runServer.sh stop
查看进程：ps ef|grep FWebYolo1

基于flask的YOLO目标检测web服务及接口相关推荐

目标检测实战必会！4种基于YOLO目标检测（Python和C++两种版本实现）
目标检测实战必会!4种基于YOLO目标检测(Python和C++两种版本实现) AI算法修炼营 1周前以下文章来源于极市平台 ,作者CV开发者都爱看的极市平台专注计算机视觉前沿资讯和技术干货,官 ...
目标检测实战：4种YOLO目标检测的C++和Python两种版本实现
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨nihate 审稿丨邓富城编辑丨极市平台导读本文作者使用C++编写一套基于OpenCV的Y ...
【深度学习】目标检测实战：4种YOLO目标检测的C++和Python两种版本实现
作者丨nihate 审稿丨邓富城编辑丨极市平台导读本文作者使用C++编写一套基于OpenCV的YOLO目标检测,包含了经典的YOLOv3,YOLOv4,Yolo-Fastest和YOLObile ...
项目设计：基于YOLO目标检测算法的安全帽/口罩/汽车/行人/交通标志...检测
本文将详细介绍YOLO目标检测算法,该算法支持各种目标检测,包括:安全帽.汽车.造价.交通标志......等. 其他毕业设计题目推荐参考: 毕业设计:电子/通信/计算机/物联网专业毕业设计选题参考( ...
基于YOLO目标检测及OpenCV实现的游戏代玩人工智能体(Auto Gaming Agent) [4]
大型生存类游戏自动代玩人工智能[4] -- 自动控制一.键鼠自动操作 1. 操作游戏角色 2. 瞄准目标二.自动采集 1. OCR文字识别 2. 多线程运行一.键鼠自动操作一般电脑上的游戏操作 ...
基于深度学习的YOLO目标检测研究-附Matlab代码
目录 ✳️ 一.引言 ✳️ 二.YOLO的基本思想 ✳️ 三.实验验证 ✳️ 四.参考文献 ✳️ 五.Matlab代码获取 ✳️ 一.引言目标检测是计算机视觉中的一个研究热点,在很多领域都有应用需求 ...
致敬YOLO！华科提出YOLOS：基于视觉Transformer的目标检测
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达导读本文是华科&地平线关于Transformer的迁移学习.泛化性能方面的深度思考.重点揭示 ...
目标检测YOLO实战应用案例100讲-基于YOLOv4的SAR目标检测方法应用(论文篇)
目录基于改进YOLOv4的SAR目标检测方法研究传统的目标检测方法基于深度学习的目标检测方法
病虫害模型算法_基于深度学习的目标检测算法综述
sigai 基于深度学习的目标检测算法综述导言目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的位置和大小,是机器视觉领域的核心问题之一.由于各类物体有不同的外观,形状,姿态,加上成像 ...

基于flask的YOLO目标检测web服务及接口

基于flask的YOLO目标检测web服务及接口相关推荐

最新文章

热门文章