YOLOv8 测试 5：Linux 中 Docker 部署 YOLOv8，Python 封装 API 接口，base64 图片处理

news2024/11/17 21:29:11

一、前言

记录时间 [2024-4-14]

系列文章简摘：
Docker 学习笔记（二）：在 Linux 中部署 Docker（Centos7 下安装 docker、环境配置，以及镜像简单使用）
API 接口简单使用（二）：Python 中使用 Flask（接口封装整理版，含文件上传接口的详细实现）
YOLOv8 测试 3：在 Python 中将 YOLOv8 模型封装成 API 接口使用（上传测试图片并返回识别结果，附测试代码）
YOLOv8 测试 4：在 Linux 中使用 Docker 部署 YOLOv8 模型，并使用简单的命令行脚本测试模型

更多 YOLOv8 测试相关文章请参考上面专栏哦。

本文在 YOLOv8 测试 3 和 4 的基础上开展，在测试 3 中，介绍 Windows 中使用 Python 将 YOLOv8 模型封装成 API 接口来调用；在测试 4 中，介绍 Linux 中使用 Docker 部署 YOLOv8 模型。

综合测试 3 和 4，本文主要实现在 Linux 中 使用 Docker 部署 YOLOv8 模型，并借助 Python 封装 API 接口来调用。在此基础上，再介绍 base64 格式图片的处理方法，最后通过接口上传图片的 base64 格式编码，得到接口返回识别结果。


二、思路整理

  • 在本地 PyCharm 中完成项目开发
    • 使用 Flask 框架编写 API 接口
    • base64 格式图片处理
    • YOLOv8 模型的 predict 使用
  • 在 Linux 中部署 Docker，操作系统为 CentOS 7
    • 准备 Linux 云服务器 / 虚拟机
    • 安装并配置 Docker
    • 熟悉 Docker 的镜像容器操作
  • 在 Conda 容器中部署 YOLOv8 项目
    • 通过 FinalShell 把本地项目上传到 Linux 服务器中
    • 部署一个 conda 镜像
    • 配置端口暴露，数据卷挂载
    • 通过数据卷挂载 YOLOv8 项目到容器中
  • 使用 Postman 测试 API 接口
    • 上传图片的 base64 格式编码文件
    • 得到接口返回的图片识别结果

三、YOLOv8 项目开发

在本地 PyCharm 中完成项目开发，更详细的步骤请参考这篇文章

1. 依赖配置

使用 PyCharm 打开我们之前使用过的，从仓库下载的 YOLOv8 项目 ultralytics-main，找到 tests 目录，在该目录下新建 base64_test.py 文件。

并在 ultralytics-main/tests/tmp/ 目录下，新建 upload 文件夹，用来存放接口上传的文件；新建 save 文件夹，用来存放项目保存的文件；

在 base64_test.py 文件中导入 YOLOv8 项目运行所需的依赖和配置：

# Ultralytics YOLO 🚀, AGPL-3.0 license

import contextlib
from copy import copy
from pathlib import Path

import cv2
import numpy as np
import pytest
import torch
import yaml
from PIL import Image
from torchvision.transforms import ToTensor

from ultralytics import RTDETR, YOLO
from ultralytics.cfg import TASK2DATA
from ultralytics.data.build import load_inference_source
from ultralytics.utils import (
    ASSETS,
    DEFAULT_CFG,
    DEFAULT_CFG_PATH,
    LINUX,
    MACOS,
    ONLINE,
    ROOT,
    WEIGHTS_DIR,
    WINDOWS,
    Retry,
    checks,
    is_dir_writeable,
)
from ultralytics.utils.downloads import download
from ultralytics.utils.torch_utils import TORCH_1_9, TORCH_1_13

MODEL = WEIGHTS_DIR / "path with spaces" / "yolov8n.pt"  # test spaces in path
CFG = "yolov8n.yaml"
SOURCE = ASSETS / "bus.jpg"
TMP = (ROOT / "../tests/tmp").resolve()  # temp directory for test files
IS_TMP_WRITEABLE = is_dir_writeable(TMP)

2. 编写 API 接口

如果对 Flask 构建 API 接口有疑问的，参考这篇文章

在这个接口中，实现以下要求：

  • 接收接口请求的图片的 base64 格式编码文件
  • 将 base64 格式编码文件还原成图片并保存
  • YOLOv8 模型对该图片进行目标识别
  • 返回目标图片的识别结果

编写文件上传接口

在 base64_test.py 文件中，导入 Flask 框架使用所需依赖：

from flask import Flask, request, send_file

编写一个简单的 API 接口，后面我们在return_image()函数中编写内容。

app = Flask(__name__)

@app.post('/baseFile')
def return_image():
    return "Succeed"

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001)

编写好后运行（右键 run ‘base64_test.py’），使用 Postman 测试下这个接口可不可用。

POST 请求不能直接在浏览器测试，浏览器默认 GET 请求。

在这里插入图片描述


处理上传的文件

在return_image()函数中编写内容：获取接口上传的文件，并保存到 upload 目录。

# 1. 获取上传的文件

# 文件作为参数传递，其 id为 file
# 如果没有接收到这个请求，返回 No file part
if 'file' not in request.files:
    return "No file part"

# 获取文件
file = request.files['file']

# 获取文件名
if file.filename == '':
    return "No selected file"

filename = file.filename

# 2. 保存到指定位置 upload 文件夹
file.save(TMP / 'upload' / filename)

处理 base64 格式编码文件

base64 格式编码是指：把二进制数据转换成 64 个可以打印的字符。

如何获取图片的 base64 格式编码呢？使用在线图片转换工具，上传图片获得 base64 格式编码，将编码保存为 txt 文件。

在 base64_test.py 文件中，导入依赖：

import base64
from PIL import Image
from io import BytesIO

接着在return_image()函数中编写内容：读取编码文件内容，将 base64 格式编码文件还原成图片并保存。

# 3. 获取编码文件并解码
base_file = TMP / 'upload' / filename

# 打开编码文件，读取文件中的内容
with open(base_file, 'r') as file:
    content = file.read()

# 将 base64_str 以 “,” 分割为两部分，context 部分是需要解码的部分
base64_str = str(content)
head, context = base64_str.split(",")

# 解码时只要内容部分
img_data = base64.b64decode(context)

# 4. 通过解码内容得到图片，保存图片
image = Image.open(BytesIO(img_data))
image.save(TMP / 'save' / 'test_image.jpg')

# 看图片
# image.show()

3. YOLOv8 识别图片

接下来，下载并使用 YOLOv8 模型，对获得的图片进行目标识别。

接着在return_image()函数中编写内容：对图片进行目标识别，并返回识别结果。

# 5. 使用 YOLOv8 模型对该图片进行目标识别
model = YOLO(MODEL)

# 得到的图片路径
source = TMP / 'save' / 'test_image.jpg'

# 保存 目标识别的结果
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# 6. 获取 识别结果 的保存路径
save_path = Path(results[0].save_dir)
image_path = save_path / 'test_image.jpg'

# 7. 以图片形式 返回结果
return send_file(image_path)

编写好后运行（右键 run ‘base64_test.py’），使用 Postman 测试下，选 form-data 类型，上传 base64 格式编码文件，测试下识别结果是否返回成功。

在这里插入图片描述


四、在 Linux 中的准备工作

1. Linux 中部署 Docker

宿主机 Linux，操作系统为 CentOS 7，Linux 虚拟机安装，参考这篇文章

在 Linux 中部署 Docker，参考这篇文章

2. 上传本地项目

本地项目 ultralytics-main 已经完成编写，关闭 PyCharm，找到 ultralytics-main 文件夹

通过 FinalShell，把 ultralytics-main 一整个上传到 Linux 服务器 /home/YOLO 目录中（目录随便）

在这里插入图片描述


3. 运行 conda 容器

在之前的文章中，参考这篇文章，我们已经在 Docker 中部署了 Conda 环境，可以直接把这个部署好的 conda 虚拟环境拿来用。

如果之前的容器丢失了，那我们快速地部署一下吧。

# 1. 创建 conda 容器并运行
docker run -it --name yolopy03 conda/miniconda3 /bin/bash

# 2. 配置 yolov8 运行环境
conda create -n yolov8 python=3.9
# Proceed ([y]/n)? y

# 3. 检查虚拟环境配置
conda env list

# 4. 进入 base 环境
source activate

# 5. 激活 Conda 环境，创建 yolov8 运行
conda activate yolov8

# 6. 配置清华源镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 7. 安装 pytorch
pip install torch==1.13.1+cpu torchvision==0.14.1+cpu torchaudio==0.13.1 \
--extra-index-url https://download.pytorch.org/whl/cpu

# 8. 检查 python 环境
python --version

# 9. 退出容器 exit，退出虚拟环境用 conda deactivate，退不出就 kill，没事的
exit

五、部署 YOLOv8 项目

接下来，在 Docker 中部署 YOLOv8 项目，配置数据卷挂载，更详细的步骤请参考这篇文章

1. 导出 yolov8 虚拟环境

把上面那个配置好的 yolopy03 容器 conda 环境拿过来，导出 envs 下面的 yolov8 虚拟环境。

虚拟环境位于容器的 /usr/local/envs ，把它导出到宿主机的 /home/YOLO目录下：

# 导出 yolov8 虚拟环境
docker cp yolopy03:/usr/local/envs /home/YOLO

2. 运行新的容器

在运行前，配置下端口暴露，以及数据卷挂载。

端口暴露是为 API 接口访问做准备，数据卷挂载是为了将宿主机上的 ultralytics-main 项目和 yolov8 虚拟环境同步到新容器中。

这样可以省去新容器重复配置的步骤，一些创建的、安装好的东西不用重复安装了。

但是参数 / 变量的配置是不会生效的，比如清华源镜像。

  • -it：交互式运行；
  • --name：容器命名；
  • -p 3352:5001：把容器的 5001 端口映射到宿主机的 3352 端口；
  • -v 宿主机路径:容器内路径：把容器内路径挂载到宿主机路径，可以挂载很多个路径。
docker run -it --name yolopy06 -p 3352:5001 \
		   -v /home/YOLO/ultralytics-main:/usr/local/ultralytics-main \
		   -v /home/YOLO/envs:/usr/local/envs conda/miniconda3

进入容器后，检查下虚拟环境配置，然后激活 yolov8 运行环境。

# 检查虚拟环境配置
conda env list

# 进入 base 环境
source activate

# 激活 yolov8 运行环境
conda activate yolov8

配置清华源镜像，否则下载东西非常慢

# 检查 python 环境
python --version

# 配置清华源镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

3. 安装 YOLOv8 项目依赖

进入 ultralytics-main 目录，为什么容器内会有 ultralytics-main 文件呢？答对了，因为数据卷挂载。

cd /usr/local/ultralytics-main

在该目录下，安装 / 更新 YOLOv8 项目运行所需的依赖：

# 安装 YOLOv8 项目依赖
pip install -e .

# 更新 opencv-python
pip uninstall opencv-python -y
pip install opencv-python-headless -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install pytest
pip install flask

六、项目测试运行

1. 运行项目

先确定容器工作目录：/usr/local/ultralytics-main

python 方式运行 base64_test.py（熟悉吗？我们刚刚写的）

python tests/base64_test.py

2. 接口测试

测试方式，使用 Postman 测试。

http://ip:3352/baseFile

如图所示，项目启动成功后，输入宿主机 ip / 宿主机端口，POST 请求，添加 base64 格式编码文件，Send 测试！

返回了识别结果，测试成功！

在这里插入图片描述


再来看一下服务端的情况吧：

  • 处理了 base64 编码文件，保存了图片；
  • 下载了 yolov8n.pt 模型，对图片进行目标识别；
  • 将结果保存，并通过接口返回给客户端。

在这里插入图片描述


七、总结

本文主要实现在 Linux 中 使用 Docker 部署 YOLOv8 模型，并借助 Python 封装 API 接口来调用。还介绍了 base64 格式图片的处理方法，最后通过接口上传图片的 base64 格式编码，得到接口返回识别结果。复习了数据卷的命令挂载方法。


一些参考资料

Docker 官方文档：https://docs.docker.com/engine/install/centos/
Docker 远程仓库：https://hub.docker.com/
FinalShell 下载：http://www.hostbuf.com/t/988.html
YOLOv8 官方文档：https://docs.ultralytics.com/zh/
YOLOv8 模型仓库地址：https://github.com/ultralytics/ultralytics
PyCharm官网：https://www.jetbrains.com/pycharm/download/?section=windows
Postman 官网：https://www.postman.com/
阿里云官网：https://www.aliyun.com/

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1594855.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

对常见FTP客户端/服务器的调查与分析

对常见FTP客户端/服务器的调查与分析

前言 主要是想看看常见的服务器和客户端是如何实现协议中要求的功能的，。 比如RF959要求的记录结构（Record Structure）、页结构（Page Structure）、Block Mode、Compress Mode，看起来就很抽象。 实测发现…
阅读更多...
springBoot+vue编程中使用mybatis-plus遇到的问题

springBoot+vue编程中使用mybatis-plus遇到的问题

mybatis-plus中遇到的问题Code Companion Servlet.service() for servlet [dispatcherServlet] in context with path [] threw exception [Request processing failed; nested exception is org.apache.ibatis.binding.BindingException: Invalid bound statement (not found)…
阅读更多...
专题十三、预处理器

专题十三、预处理器

预处理器 1. 预处理器的工作原理2. 预处理指令3. 宏定义3.1 简单的宏3.2 带参数的宏3.3 # 运算符3.4 ## 运算符3.5 宏的通用属性3.6 宏定义中的圆括号3.7 创建较长的宏3.8 预定义宏3.9 C99 中新增的预定义宏3.10 空的宏参数3.11 参数个数可变的宏3.12 __func__ 标识符 4. 条件编…
阅读更多...
SMS垃圾短信识别项目

SMS垃圾短信识别项目

注意：本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 （[www.aideeplearning.cn]） 项目背景 随着数字通信的快速发展，垃圾短信成为了一个普遍而烦人的问题。这些不请自来的消息不仅打扰了我们的日常生活，…
阅读更多...
嵌入式单片机 TTL电平、232电平、485电平的区别和联系

嵌入式单片机 TTL电平、232电平、485电平的区别和联系

一、简介 TTL、232和485是常见的串口通信标准，它们在电平和通信方式上有所不同， ①一般情况下TTL电平应用于单片机外设，属于MCU/CPU等片外外设； ②232/485电平应用于产品整体对外的接口，一般是片外TTL串口转232/485…
阅读更多...
React 19 的新增功能：Action Hooks

React 19 的新增功能：Action Hooks

React 是前端开发领域最流行的框架之一。我喜欢 React 是因为它背后的团队和社区对它的热情。当社区提出新功能和改进的需求时，团队会倾听，React 的未来是令人兴奋和有趣的。 让我们来看一下 React 19 中令开发人员提升开发效率的新特性。对于每个钩子&…
阅读更多...
内网渗透系列-mimikatz的使用以及后门植入

内网渗透系列-mimikatz的使用以及后门植入

内网渗透系列-mimikatz的使用以及后门植入 文章目录 内网渗透系列-mimikatz的使用以及后门植入前言mimikatz的使用后门植入 msf永久后门植入 （1）Meterpreter后门：Metsvc（2）Meterpreter后门：Persistence NC后…
阅读更多...
Matlab隐式方程拟合【案例源码+视频教程】|隐函数拟合|非线性拟合|视频教程

Matlab隐式方程拟合【案例源码+视频教程】|隐函数拟合|非线性拟合|视频教程

专栏导读 作者简介：工学博士，高级工程师，专注于工业软件算法研究本文已收录于专栏：《复杂函数拟合案例分享》本专栏旨在提供 1.以案例的形式讲解各类复杂函数拟合的程序实现方法，并提供所有案例完整源码；2.…
阅读更多...
Zookeeper和Kafka的部署

Zookeeper和Kafka的部署

目录 一、Zookeeper的基本概念 1. Zookeeper定义 2. Zookeeper工作机制 3. Zookeeper特点 4. Zookeeper数据结构 5. Zookeeper应用场景 5.1 统一命名服务 5.2 统一配置管理 5.3 统一集群管理 5.4 服务器动态上下线 5.5 软负载均衡 6. Zookeeper 选举机制 6.1 第一…
阅读更多...
深入解析Tomcat的工作流程

深入解析Tomcat的工作流程

tomcat解析 Tomcat是一个广泛使用的开源Servlet容器，用于托管Java Web应用程序。理解Tomcat的工作流程对于开发人员和系统管理员来说是非常重要的。本文将深入探讨Tomcat的工作原理，包括请求处理、线程池管理、类加载、以及与Web服务器之间的通信。 ###…
阅读更多...
【NOI】C++程序设计入门五

【NOI】C++程序设计入门五

文章目录 前言一、两数交换1.概念2.样例3.交换方法3.1 方法一：请个临时工3.2 方法二：加法交换律3.3 方法三：swap函数 4.小结 二、拆位求解1.概念2.用法 三、样题讲解问题：1605. 求一个两位数的个位和十位的和问题：1606…
阅读更多...
[图像处理] MFC OnMouseMove()绘制ROI矩形时的闪烁问题

[图像处理] MFC OnMouseMove()绘制ROI矩形时的闪烁问题

文章目录 问题对策代码完整工程 结果使用Picture控件的RedrawWindow()的效果使用Dialog的RedrawWindow()的效果使用Picture控件的RedrawWindow()，ROI绘制到图像外的效果 结论 问题 最近想通过业余时间，写一个简单的图像处理软件，一点点学习图…
阅读更多...
基于表面势的增强型p-GaN HEMT器件模型

基于表面势的增强型p-GaN HEMT器件模型

来源：电子学报 22年 摘要 为了满足功率电路及系统设计对p-GaN HEMT（High Electron Mobility Transistor）器件模型的需求，本文建立了一套基于表面势计算方法的增强型p-GaN HEMT器件SPICE（Simulation Program with Int…
阅读更多...
Ceph [OSDI‘06]论文阅读笔记

Ceph [OSDI‘06]论文阅读笔记

原论文：Ceph: A Scalable, High-Performance Distributed File System (OSDI’06) Ceph简介及关键技术要点 Ceph是一个高性能、可扩展的分布式文件系统，旨在提供出色的性能、可靠性和可扩展性。为了最大化数据和元数据管理的分离，它使用了一…
阅读更多...
信息系统项目管理师0051：管理基础（4信息系统管理—4.1管理方法—4.1.1管理基础）

信息系统项目管理师0051：管理基础（4信息系统管理—4.1管理方法—4.1.1管理基础）

点击查看专栏目录 文章目录 第四章 信息系统管理4.1管理方法4.1.1管理基础1.层次结构2.系统管理第四章 信息系统管理 在信息技术和数据资源要素的推动下，社会各领域已经并正在加速进入数字化的全新发展时期，基于智能、网络和大数据的新经济业态正在形成，从“数字融合”向“数…
阅读更多...
Linux（Ubuntu） 查看并删除使用【dpkg】安装的软件【mysql 8.3安装失败---原因调查】

Linux（Ubuntu） 查看并删除使用【dpkg】安装的软件【mysql 8.3安装失败---原因调查】

目录 ■前言 ■查看安装的软件 ■删除安装的软件 正常删除（dpkg -r xxxxName） 问题解决：use --purge to remove them too ■其他调查信息 命令 图片1 图片2 图片3 图片4 ■前言 安装Mysql8.3失败 我的服务器-CSDN博客 ■查看安…
阅读更多...
动态多目标测试函数DF1-DF14，FDA1-FDA5，SDP1-SDP12的TurePOF（MATLAB代码）

动态多目标测试函数DF1-DF14，FDA1-FDA5，SDP1-SDP12的TurePOF（MATLAB代码）

动态多目标测试函数FDA1、FDA2、FDA3、FDA4、FDA5的turePOF（MATLAB代码） 动态多目标测试函数DF1-DF14的turePOF变化（提供MATLAB代码） 动态多目标测试函数SDP1-SDP12的TurePOF变化视频（含MATLAB代码及参考文献&#xff…
阅读更多...
数据结构与算法——20.B-树

数据结构与算法——20.B-树

这篇文章我们来讲解一下数据结构中非常重要的B-树。 目录 1.B树的相关介绍 1.1、B树的介绍 1.2、B树的特点 2.B树的节点类 3.小结 1.B树的相关介绍 1.1、B树的介绍 在介绍B树之前，我们回顾一下我们学的树。 首先是二叉树，这个不用多说&#xff…
阅读更多...
车载电子电器架构 —— 电子电气架构开发总结和展望

车载电子电器架构 —— 电子电气架构开发总结和展望

车载电子电器架构 —— 电子电气架构开发总结和展望 我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 屏蔽力是信息过载时代一个人的特殊竞争力，任何消耗你的人和事，多看一眼都是你的不对。非必要…
阅读更多...
HTML基本语法

HTML基本语法

前言&#xff1a; html中不区分大小写&#xff0c;但建议用小写&#xff0c;因为使用组件时一般使用大写&#xff0c;便于区分两者 注释&#xff1a; <!-- 注释的内容 --> ~注释的内容只会显示在源码当中&#xff0c;不会显示在网页中 ~用于解释说明代码&#xff0c;或隐…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023