20行コード:Severlessアーキテクチャの下でPythonで簡単に画像の分類を完成する

「画像分類」は人工知能分野の話題で、私たちは実際の生活の中で甚だしきに至っては業務の生産環境の中で、よく画像分類の似たような需要に出会って、どのように迅速に1つの画像分類あるいはコンテンツ識別のAPIを構築することができますか?
Severless Frameworkを使用して、テンセントクラウド関数SCFに画像認識モジュールを配備することを検討します.
ここでは画像関連のライブラリを使用します:ImageAI、公式は簡単なdemoをあげました:

from imageai.Prediction import ImagePrediction
import os
execution_path = os.getcwd()

prediction = ImagePrediction()
prediction.setModelTypeAsResNet()
prediction.setModelPath(os.path.join(execution_path, "resnet50_weights_tf_dim_ordering_tf_kernels.h5"))
prediction.loadModel()

predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "1.jpg"), result_count=5 )
for eachPrediction, eachProbability in zip(predictions, probabilities):
    print(eachPrediction + " : " + eachProbability)

次に、プロジェクトの作成→依存のインストール→ymlファイルの構成→配置の4つのステップに分けます.
Pythonプロジェクトのローカル作成
まず、Pythonのプロジェクトをローカルで作成します:mkdir imageDemo`
次にファイルを新規作成します:`vim index.py`

from imageai.Prediction import ImagePrediction
import os, base64, random

execution_path = os.getcwd()

prediction = ImagePrediction()
prediction.setModelTypeAsSqueezeNet()
prediction.setModelPath(os.path.join(execution_path, "squeezenet_weights_tf_dim_ordering_tf_kernels.h5"))
prediction.loadModel()


def main_handler(event, context):
    imgData = base64.b64decode(event["body"])
    fileName = '/tmp/' + "".join(random.sample('zyxwvutsrqponmlkjihgfedcba', 5))
    with open(fileName, 'wb') as f:
        f.write(imgData)
    resultData = {}
    predictions, probabilities = prediction.predictImage(fileName, result_count=5)
    for eachPrediction, eachProbability in zip(predictions, probabilities):
        resultData[eachPrediction] =  eachProbability
    return resultData

ダウンロードのインストール依存
プロジェクトの作成が完了したら、依存モデルをダウンロードします.

- SqueezeNet（    ：4.82 MB，      ，     ）
- ResNet50 by Microsoft Research （    ：98 MB，      ，    ）
- InceptionV3 by Google Brain team （    ：91.6 MB，     ，    ）
- DenseNet121 by Facebook AI Research （    ：31.6 MB，      ，    ）

まず最初のSqueezeNetでテストします.
公式ドキュメントでモデルファイルアドレスをコピーするには、次の手順に従います.wgetを使用して直接インストールします.

wget https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/squeezenet_weights_tf_dim_ordering_tf_kernels.h5

次にインストールに依存します.この中にはインストールの内容が多いようです.
ここで注意する必要があるのは、一部の依存はコンパイルする必要があるため、centos+python 2.7/3.6のバージョンでパッケージ化することができます.これは複雑で、特にmac/windowsユーザーには怪我をしません.
この時、私の前のパッケージサイトを直接使うことができます.
ダウンロードして解凍した後、直接自分のプロジェクトに入れます.
ymlファイルの作成
次に、serverless.yamlプロファイルを作成します.

imageDemo:
  component: "@serverless/tencent-scf"
  inputs:
    name: imageDemo
    codeUri: ./
    handler: index.main_handler
    runtime: Python3.6
    region: ap-guangzhou
    description:     /  Demo
    memorySize: 256
    timeout: 10
    events:
      - apigw:
          name: imageDemo_apigw_service
          parameters:
            protocols:
              - http
            serviceName: serverless
            description:     /  DemoAPI
            environment: release
            endpoints:
              - path: /image
                method: ANY

配置serverlessコマンド(コマンド略称sls)を使用して配置し、--debugパラメータを追加して配置の詳細を表示します.

$ sls --debug

もしあなたのアカウントがテンセントクラウドにログインしていないか、登録していない場合は、微信スキャンコマンドラインのQRコードを直接通じて、ログインと登録を許可することができます.
コマンドラインから出力されたURLにアクセスします.URLは先ほどコピーした+/imageで、Python言語でテストします.

import urllib.request
import base64

with open("1.jpg", 'rb') as f:
    base64_data = base64.b64encode(f.read())
    s = base64_data.decode()

url = 'http://service-9p7hbgvg-1256773370.gz.apigw.tencentcs.com/release/image'

print(urllib.request.urlopen(urllib.request.Request(
    url = url,
    data=s.encode("utf-8")
)).read().decode("utf-8"))

たとえば、この図を使用してテストします.
実行結果:

{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}

コードを修正して、簡単な時間のテストを行います.

import urllib.request
import base64, time

for i in range(0,10):
    start_time = time.time()
    with open("1.jpg", 'rb') as f:
        base64_data = base64.b64encode(f.read())
        s = base64_data.decode()

    url = 'http://service-hh53d8yz-1256773370.bj.apigw.tencentcs.com/release/test'

    print(urllib.request.urlopen(urllib.request.Request(
        url = url,
        data=s.encode("utf-8")
    )).read().decode("utf-8"))
    print("cost: ", time.time() - start_time)

出力結果:

{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  2.1161561012268066
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.1259253025054932
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.3322770595550537
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.3562259674072266
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.0180821418762207
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.4290671348571777
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.5917718410491943
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.1727900505065918
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  2.962592840194702
{"cheetah": 83.12643766403198, "Irish_terrier": 2.315458096563816, "lion": 1.8476998433470726, "teddy": 1.6655176877975464, "baboon": 1.5562783926725388}
cost:  1.2248001098632812

このデータは,全体的な性能がほぼ許容範囲内である.
Severlessアーキテクチャに基づいて構築されたPython画像認識/分類ツールが大成功!
転送ゲート:

GitHub: github.com/serverless

公式サイト:serverless.com

ようこそ:Severless中国語ネットワーク、ベストプラクティスでより多くのSeverlessアプリケーションの開発を体験できます!
推荐阅读:《Severlessアーキテクチャ:原理、设计からプロジェクト実戦まで》