モデル展開変換パドルハブ

1.プロジェクト関連のディレクトリ構造を作成します

 1.1ディレクトリと2つのファイル

   まず、モデル構造を出力するmaskため。フォルダーの下__init__.pyに作成されたファイルはmodule.py、特定のモデルのエクスポート情報を保存するために使用されます。もちろん、フォルダーの名前はカスタマイズできます。実際、これはのパッケージpythonの定義あり、スクリプトのモデル呼び出しを容易にするために、他の関連するエクスポートモデルもこのフォルダーに配置されます。

 1.2モジュールファイル情報

  このスクリプトファイルには、特定のモデル情報を書き込む必要があります。

  まず、関連する依存関係ライブラリをインポートする必要があります。独自のモデルに必要なパッケージに加えて、モデルのパッケージ出力に必要な次の2つのパッケージもインポートする必要があります。

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

  次に、モデルの関連情報を入力する必要があり、パッケージが注がれた後にそれを書き込むことができます。パラメーターは名前の意味を参照します。

• @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

  最後に、パッケージ化して出力する必要のあるモデルコードをカプセル化し、オブジェクトをグローバルに宣言して、後続のモデルがそれを使用できるようにします。

• 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

  これで簡単なモデルエクスポートの準備は完了です。もちろん、他の関数が必要な場合は、パラメーターを記述する必要があります。

 1.3コマンドラインの呼び出しとサービスの展開

Moduleコマンドライン呼び出しを    サポートする（必要なパラメーター解析を動的に指定する）場合は、runnable変更されたインターフェース（つまり、@ runnableで装飾されたメソッド）を提供する必要があります。インターフェースは、着信パラメーターの解析とモデル予測の実行を担当します。結果が返されます。コマンドライン機能を提供する必要がない場合、このインターフェイスを実装することはできません。PaddleHubコマンドラインで実行すると、コマンドラインモードModuleがサポートされていない対応するプロンプトが表示されます。

• 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

Module予測サービスの展開を    サポートする場合PaddleHub Servingは、serving装飾されたます。このインターフェイスは、受信データの解析、予測の実行、および結果の返送を担当します。PaddleHub Servingデプロイメント予測サービスを提供する必要がない場合は、サービング修飾子を追加する必要はありません。

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

2.モデルのインストールと使用

    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