用Tensorflow和FastAPI構建圖像分類API

用Tensorflow和FastAPI構建圖像分類API，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

讓我們從一個簡單的helloworld示例開始

首先，我們導入FastAPI類并創建一個對象應用程序。這個類有一些有用的參數，比如我們可以傳遞swaggerui的標題和描述。

from fastapi import FastAPI
app = FastAPI(title='Hello world')

我們定義一個函數并用@app.get. 這意味著我們的API/index支持GET方法。這里定義的函數是異步的，FastAPI通過為普通的def函數創建線程池來自動處理異步和不使用異步方法，并且它為異步函數使用異步事件循環。

@app.get('/index')
async def hello_world():
    return "hello world"

圖像識別API

我們將創建一個API來對圖像進行分類，我們將其命名為predict/image。我們將使用Tensorflow來創建圖像分類模型。

Tensorflow圖像分類教程:https://aniketmaurya.ml/blog/tensorflow/deep%20learning/2019/05/12/image-classification-with-tf2.html

我們創建了一個函數load_model，它將返回一個帶有預訓練權重的MobileNet CNN模型，即它已經被訓練為對1000個不同類別的圖像進行分類。

import tensorflow as tf

def load_model():
    model = tf.keras.applications.MobileNetV2(weights="imagenet")
    print("Model loaded")
    return model
    
model = load_model()

我們定義了一個predict函數，它將接受圖像并返回預測。我們將圖像大小調整為224x224，并將像素值規格化為[-1，1]。

from tensorflow.keras.applications.imagenet_utils 
import decode_predictions

decode_predictions用于解碼預測對象的類名。這里我們將返回前2個可能的類。

def predict(image: Image.Image):

    image = np.asarray(image.resize((224, 224)))[..., :3]
    image = np.expand_dims(image, 0)
    image = image / 127.5 - 1.0
    
    result = decode_predictions(model.predict(image), 2)[0]
    
    response = []
    
    for i, res in enumerate(result):
        resp = {}
        resp["class"] = res[1]
        resp["confidence"] = f"{res[2]*100:0.2f} %"
        
        response.append(resp)
        
    return response

現在我們將創建一個支持文件上傳的API/predict/image。我們將過濾文件擴展名以僅支持jpg、jpeg和png格式的圖像。

我們將使用Pillow加載上傳的圖像。

def read_imagefile(file) -> Image.Image:
    image = Image.open(BytesIO(file))
    return image
    
@app.post("/predict/image")
async def predict_api(file: UploadFile = File(...)):
    extension = file.filename.split(".")[-1] in ("jpg", "jpeg", "png")
    if not extension:
        return "Image must be jpg or png format!"
    image = read_imagefile(await file.read())
    prediction = predict(image)
    
    return prediction

最終代碼

import uvicorn
from fastapi import FastAPI, File, UploadFile

from application.components import predict, read_imagefile

app = FastAPI()

@app.post("/predict/image")
async def predict_api(file: UploadFile = File(...)):
    extension = file.filename.split(".")[-1] in ("jpg", "jpeg", "png")
    if not extension:
        return "Image must be jpg or png format!"
    image = read_imagefile(await file.read())
    prediction = predict(image)
    
    return prediction
    
@app.post("/api/covid-symptom-check")
def check_risk(symptom: Symptom):
    return symptom_check.get_risk_level(symptom)
    
if __name__ == "__main__":
    uvicorn.run(app, debug=True)

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。