模型部署转换paddlehub

1、创建项目相关的目录结构

1.1 一个目录和两个文件

首先需要创建一个文件夹 mask 用于模型结构的输出，文件夹下创建 __init__.py 、 module.py 文件用于保存具体的模型导出信息。当然文件夹的名字可自定义，其实就相当于 python 中的包的定义，相关的其余导出模型也放在此文件夹下，方便脚本的模型调用。

1.2 module 文件信息

此脚本文件中需要编写具体的模型信息。

首先需要导入相关的依赖库，除了自己模型需要的包之外，还需要导入以下两个必须的包，用于模型的打包输出：

import paddlehub as hub
from paddlehub.module.module import runnable, moduleinfo, serving
复制代码

其次需要填写模型的相关信息，在倒完包就可以写入，各参数见名之意：

@moduleinfo(
    name="mask", 
    version="1.0.0",
    summary="This is a PaddleHub Module. Just for test.",
    author="beordie",
    author_email="",
    type="mask",
)
复制代码

最后将需要打包输出的模型代码进行封装，然后将对象全局化申明，以便后面的模型使用：

class MaskPredict:
    def __init__(self, in_path = 'img', out_path = 'demo'):
        self.maskNet = load_model('/home/aistudio/work/mask_detector.model')
        self.in_path = in_path
        self.out_path = out_path

    def Iou(self, bbox1, bbox2):
        # 计算Iou
        area1 = (bbox1[2] - bbox1[0]) * (bbox1[3] - bbox1[1])
        area2 = (bbox2[2] - bbox2[0]) * (bbox2[3] - bbox2[1])
        w = min(bbox1[3], bbox2[3]) - max(bbox1[1], bbox2[1])
        h = min(bbox1[2], bbox2[2]) - max(bbox1[0], bbox2[0])
        if w <= 0 or h <= 0:
            return 0
        area_mid = w * h
        return area_mid / (area1 + area2 - area_mid)

    def GetFace(self):
        files = os.listdir(self.in_path)
        face_detector = hub.Module(name="pyramidbox_lite_server")
        for i in range(len(files)):
            faces = []
            preds = []
            img = cv2.imread(self.in_path + '/%d.jpg' % i)
            result = face_detector.face_detection(images=[img])
            img = img_to_array(img)
            data = result[0]['data']
            bbox_upgrade = []
            index = []
            for j in range(len(data)):
                left, right = int(data[j]['left']), int(data[j]['right'])
                top, bottom = int(data[j]['top']), int(data[j]['bottom'])
                bbox = (left, top, right, bottom)
                if right > 1600 and bottom > 1600:
                    for k in range(len(bbox_buffer)):
                        if Iou(bbox, bbox_buffer[k]) > 0.1 and k not in index:
                            index.append(k)
                            break
                    bbox_upgrade.append((left, top, right, bottom))
                else:
                    preds.append([left, top, right, bottom])
                    faces.append(img[top:bottom, left:right])
            bbox_buffer = bbox_upgrade.copy()
            if len(faces) > 0:
                count = 0
                for face in faces:
                    face = cv2.cvtColor(face, cv2.COLOR_BGR2RGB)
                    face = cv2.resize(face, (224, 224))
                    face = img_to_array(face)
                    face = preprocess_input(face)
                    face = np.expand_dims(face, axis=0)
                    (mask, withoutMask) = self.maskNet.predict(face)[0]
                    lable = "Mask" if mask > withoutMask else "No Mask"
                    color = (0, 255, 0) if lable == "Mask" else (0, 0, 255)
                    lable = "{}:{:.2f}%".format(lable, max(mask, withoutMask) * 100)
                    cv2.putText(img, lable, (preds[count][0], preds[count][1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.45, color,
                                2)
                    cv2.rectangle(img, (preds[count][0], preds[count][1]), (preds[count][2], preds[count][3]), color, 2)
                    count += 1
            cv2.imwrite(self.out_path + '/%d.jpg' % i, img)
            print('正在进行{}张图的处理'.format(i))

mask = MaskPredict()
复制代码

这样就完成简单的模型的导出准备工作，当然如果需要其他的功能，还需要在进行参数的编写。

1.3 命令行调用和服务部署

如果希望 Module 可以支持命令行调用（动态的指定需要的参数解析），则需要提供一个经过 runnable 修饰的接口（即一个用 @runnable 进行修饰的方法），接口负责解析传入参数并进行模型的预测，将结果返回。如果不需要提供命令行功能，则可以不实现该接口，PaddleHub 在用命令行执行时，会自动发现该 Module 不支持命令行方式，并给出相应的提示。

配置解析参数
self.parser = argparse.ArgumentParser(
            description="Run the mnist_predict module.",
            prog='hub run mnist_predict',
            usage='%(prog)s',
            add_help=True)
self.parser.add_argument('--img', type=str, default=None, help="img to predict")
复制代码

@runnable
def runnable(self, argvs):
    args = self.parser.parse_args(argvs)
	self.in_path = args['img']
	return self.GetFace()
复制代码

如果希望 Module可以支持 PaddleHub Serving 部署预测服务，则需要提供一个经过 serving 修饰的接口，接口负责解析传入数据并进行预测，将结果返回。如果不需要提供 PaddleHub Serving 部署预测服务，则可以不需要加上serving修饰。

@serving
def serving(self, img_b64):
    print('serving')
    return json.dumps()
复制代码

2、模型的安装使用

在 module.py 中编写好代码后，就可以通过 hub install 文件名 的方式来安装模型了，当然需要 cd 到父级目录下，不然报一堆 XXXX 怀疑人生。

```
! hub install mask
复制代码
```

之后便可以向普通的模型一样进行导出使用了。

import paddlehub as hub
Mask = hub.Module(name="mask")
Mask.GetFace()
复制代码