深度学习模型部署——Flask框架轻量级部署+阿里云服务器_云服务器搭建深度学习模型

checkpoint_path = "/model_best.pth.tar"   #训练好的模型参数（要注意保存模型的时候是保存了模型还是模型参数，这里是模型参数）
model = res50Encoder(attention_map_num, class_num)   #加载模型
model.load_state_dict(torch.load(checkpoint_path,map_location='cpu')['state_dict'])#(将参数加载到模型中去)
model.eval() #pytorch框架会自动把BN和Dropout固定住，直接用训练好的值

data_transform = transforms.Compose([
        transforms.Resize((n, m)),
        transforms.CenterCrop(num),
        transforms.ToTensor(),
        transforms.Normalize(a，b),
    ])        #根据自己的模型，写出数据预处理模块，n，m，num，a，b按照自己的模型填写
 

img = Image.open(io.BytesIO(image_bytes)) #将图片的二进制文件转化
 
img = data_transform(img) #数据变换
 
img = img.float().unsqueeze(0) #数据调整维度

class_labels=['','','']  #自己往''填label

 with torch.no_grad():
        attention_maps, _, output1, coarse_logits= model(img.cpu())
        refined_input = mask2bbox(attention_maps, img.cpu())
        _, _, output2, _= model(refined_input)
        output = (output1 + output2) / 2
        output = torch.softmax(output, dim=-1)
 
#根据output输出标签值
 _, pred = torch.max(output, 1)
    pred_label = class_labels[pred.item()]

#app.py
 
 
from flask import Flask, jsonify, request
from yuce import pred
from flask_cors import CORS
import flask
app = Flask(__name__)
 
CORS(app)  #跨域问题
 
@app.route('/predict', methods=['POST'])
def predict():
    if request.method == 'POST':
        file = request.files['file']
        print(file)
        img_bytes = file.read()
        class_name = pred(img_bytes)        #预测函数pred（）（第一个步骤写的）
        if(class_name ):
            print("结果:"+class_name)
        else:
            print("error")
        return jsonify({ 'class_name': class_name})
    return jsonify({"your call is GET"})   #将化成标签json格式
 
@app.route("/",methods = ['POST','GET'])
def root():
    return flask.render_template("upload.html")   #前端交互界面
 
if __name__ == '__main__':
    app.run(host="0.0.0.0",port=80,debug=True)    

​

​

 然后就可以在服务器上跑代码，但是要注意安装相对应的库，需要小心代码中的路径问题，当服务器上面成功跑起来，就可以用公网IP访。（再将公网IP部署到你的域名，就可以访问网址，注意备案！！，不然会被封号）