Gradio和FastDeploy轻松实现目标检测应用部署

应用部署，COCO数据集80类物体检测应用

AI Studio

1470人浏览 · 2023-05-13 00:12:05

AI Studio · 2023-05-13 00:12:05 发布

★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

一、项目背景

假如你训练了一个目标检测模型，你想让朋友快速体验一下，你会怎么做呢？
一般来讲你会把代码打包发给朋友，然后告诉他怎么配环境，怎么部署模型。或者连同环境封装成docker镜像，让对方直接运行实例，但是对方得懂docker，也要懂模型部署等知识。即便朋友愿意去花时间体验，一波操作下来会面临各种奇怪的问题。

为了方便快捷的体验应用，AI Studio平台最新上线了Gradio在线部署环境。不需要各种麻烦的操作，只需一键导入图片，即可立即生成效果图。

本项目以PaddleDetection-PPYOLOE训练好的COCO模型为例，介绍如何使用Gradio和FastDeploy实现目标检测应用部署。

以下为COCO数据集的前部分类别与对应标号，文中部署好了COCO物体检测应用，大家可以体验一下。

二、方法步骤

2.1训练一个目标检测模型

要想部署模型，首先得训练一个模型，本文是直接下载的PaddleDetection-PPYOLOE训练好的COCO模型，当然也可以参考官方的一些项目进行训练。用PaddleDetection训练好的模型包含三个部分，.pdparams文件为模型权重，只需取 .pdparams 文件即可。为方便演示，我把下载好的 .pdparams 文件添加到根目录里。

2.2导出部署模型

模型训练好之后，我们要通过一些命令导出部署模型，注意：训练的模型文件和部署的模型文件不同。

部署模型主要用于推理，具体包括四种文件：

ppyoloe_crn_l_300e_coco    # 模型目录
├── infer_cfg.yml      # 模型配置信息
├── model.pdiparams     # 参数文件
└── model.pdiparams.info # 模型信息
└── model.pdmodel     # 模型文件

由于是目标检测任务，我们使用paddledetection套件以及一些命令导出部署模型，参考链接：https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.6/deploy/EXPORT_MODEL.md

由于网络缓慢，这里直接解压PaddleDetection-release-2.6版本

# 解压方式安装PaddleDetection
!unzip data/data207390/PaddleDetection-release-2.6.zip
!mv PaddleDetection-release-2.6 PaddleDetection

# 用命令安装PaddleDetection
# !git clone https://gitee.com/paddlepaddle/PaddleDetection.git

%cd PaddleDetection

/home/aistudio/PaddleDetection

# 安装依赖
!pip install -r requirements.txt --user
!python setup.py install --user

# 导出部署模型
# 指定训练配置文件
# 指定训练好的模型文件
!python tools/export_model.py \
-c configs/ppyoloe/ppyoloe_plus_crn_l_80e_coco.yml \
-o weights=../ppyoloe_plus_crn_l_80e_coco.pdparams

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/__init__.py:107: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import MutableMapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/rcsetup.py:20: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Iterable, Mapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:53: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Sized
[05/11 11:46:36] ppdet.utils.checkpoint INFO: Finish loading model weights: ../ppyoloe_plus_crn_l_80e_coco.pdparams
[05/11 11:46:37] ppdet.data.source.category WARNING: anno_file 'dataset/coco/annotations/instances_val2017.json' is None or not set or not exist, please recheck TrainDataset/EvalDataset/TestDataset.anno_path, otherwise the default categories will be used by metric_type.
[05/11 11:46:37] ppdet.data.source.category WARNING: metric_type: COCO, load default categories of COCO.
[05/11 11:46:37] ppdet.engine INFO: Export inference config file to output_inference/ppyoloe_plus_crn_l_80e_coco/infer_cfg.yml
[05/11 11:46:47] ppdet.engine INFO: Export model and saved in output_inference/ppyoloe_plus_crn_l_80e_coco

2.3fastdeploy验证

# 安装相关包
!pip install numpy opencv-python fastdeploy-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html --user

注意：直接运行下一步可能会出现报错 No module named ‘fastdeploy’ ，这时，我们需要先保存文件，然后重启内核，再运行下一步

# 验证部署是否正确
import cv2
import fastdeploy.vision as vision
model = vision.detection.PPYOLOE("/home/aistudio/PaddleDetection/output_inference/ppyoloe_plus_crn_l_80e_coco/model.pdmodel",
                                    "/home/aistudio/PaddleDetection/output_inference/ppyoloe_plus_crn_l_80e_coco/model.pdiparams", 
                                    "/home/aistudio/PaddleDetection/output_inference/ppyoloe_plus_crn_l_80e_coco/infer_cfg.yml", 
                                )
im = cv2.imread("/home/aistudio/mm.jpg")
result = model.predict(im)
vis_im = vision.vis_detection(im, result, score_threshold=0.5)
cv2.imwrite("/home/aistudio/work/result.png", vis_im)

[INFO] fastdeploy/vision/common/processors/transform.cc(45)::FuseNormalizeCast	Normalize and Cast are fused to Normalize in preprocessing pipeline.
[INFO] fastdeploy/vision/common/processors/transform.cc(93)::FuseNormalizeHWC2CHW	Normalize and HWC2CHW are fused to NormalizeAndPermute  in preprocessing pipeline.
[INFO] fastdeploy/vision/common/processors/transform.cc(159)::FuseNormalizeColorConvert	BGR2RGB and NormalizeAndPermute are fused to NormalizeAndPermute with swap_rb=1
[INFO] fastdeploy/runtime/backends/openvino/ov_backend.cc(218)::InitFromPaddle	number of streams:1.
[INFO] fastdeploy/runtime/backends/openvino/ov_backend.cc(228)::InitFromPaddle	affinity:YES.
[INFO] fastdeploy/runtime/backends/openvino/ov_backend.cc(240)::InitFromPaddle	Compile OpenVINO model on device_name:CPU.
[INFO] fastdeploy/runtime/runtime.cc(279)::CreateOpenVINOBackend	Runtime initialized with Backend::OPENVINO in Device::CPU.

VINO in Device::CPU.

True

三、Gradio在线预览

打开gradio应用，系统会自动生成一个untitled.gradio.py文件
将本项目的demo.gradio.py替换掉生成的untitled.gradio.py文件，在AI Studio上，gradio应用统一需要以{filename}.gradio.py命名，平台会自动识别。
在根目录新建一个launch文件夹，将.gradio.py文件、output_inference文件夹、example图像（如有）、requirements.txt文件一并放入launch文件夹内

如果是自己导出的模型，需要在demo.gradio.py修改model为自己的导出模型，打开demo.gradio.py查看效果，无报错在进行下一步

>>cd ./launch/
├── demo.gradio.py
├── output_inference
│   ├── infer_cfg.yml      
│   ├── model.pdiparams
│   ├── model.pdiparams.info
│   ├── model.pdmodel
├── example.jpg
├── requirements.txt

3.2FastDeploy介绍

FastDeploy是一款全场景、易用灵活、极致高效的AI推理部署工具。提供超过 🔥160+ Text，Vision， Speech和跨模态模型📦开箱即用的部署体验。包括物体检测、字符识别（OCR）、人脸、人像扣图、多目标跟踪系统、NLP、Stable Diffusion文图生成、TTS 等几十种任务场景。FastDeploy需要安装一些包进行适配，安装包在requirements.txt文件夹里，部署时会自动安装。大家可以尝试一下FastDeploy支持的其他模型进行应用部署。

参数：

model_file(str): 模型文件路径
params_file(str): 参数文件路径
config_file(str): 推理配置yaml文件路径

FastDeploy的PPYOLOE Python部署参考链接：https://github.com/PaddlePaddle/FastDeploy/blob/develop/docs/cn/quick_start/models/python.md

3.2gradio.py文件介绍

Gradio的核心是它的gr.Interface函数，用来构建可视化界面。

fn：放你用来处理的函数，这里的fn即为FastDeploy预测过程，只有几行代码
inputs：写你的输入类型，这里输入的是图像，所以是"image"
outputs：写你的输出类型，这里输出的是图像，所以是"image"

最后我们用demo.lauch()把页面一发布，一个本地静态交互页面就完成了。

四、应用部署

将bushu.gradio.py放入launch文件夹内，点击应用部署，右边出现报错，不要在意。bushu.gradio.py文件与demo.gradio.py主要区别在于model路径
这里我选择CPU部署，因为不需要算力，如果选择GPU则需要更改FastDeploy的安装包，以及调用命令，可参考上边的文档