PaddleFormers 动物识别模块 resnet50_vd_animals 实战指南安装、预测 API 与服务化部署【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址: https://gitcode.com/gh_mirrors/pa/PaddleFormers本篇技术指南以 PaddleFormers 仓库中的modules/image/classification/resnet50_vd_animals动物分类模块为核心系统讲解该基于 ResNet50_vdResNet-D架构、由百度自建动物数据集训练、可识别 7978 种动物的预训练模型的安装流程、命令行与 Python 预测 API、多设备推理原理以及 PaddleHub Serving 在线服务化部署。读完本文你将能够独立完成从模型安装、单张/批量图片分类预测到部署在线动物识别 HTTP 服务的完整实战链路并理解其底层数据预处理与后处理实现细节。一、模型基本信息模型概览项目内容模型名称resnet50_vd_animals类别图像-图像分类网络ResNet50_vd数据集百度自建动物数据集是否支持 Fine-tuning否模型大小154MB指标-最新更新日期2021-02-26模型介绍ResNet-vd 即 ResNet-D是 ResNet 原始结构的变种常用于图像分类和特征提取任务。该 PaddleHub Module 采用百度自建动物数据集训练得到支持7978 种动物的分类识别类别标签清单见 label_list.txt。值得注意的细节是label_list.txt实际包含 7979 行除 7978 个动物类别外末尾还包含一个非动物类别用于对非动物输入给出显式的兜底判断。模型详情可参考 ResNet-vd 相关论文arXiv:1812.01187。从模块源码看该模型被打包为一个标准的 PaddleHub Modulemodule.py 中通过moduleinfo装饰器声明了模块元信息名称resnet50_vd_animals、类型CV/image_classification、作者baidu-vis、版本1.0.1并定义了classification、serving_method、run_cmd等核心方法分别对应 Python API 预测、Serving 服务调用与命令行hub run调用三种使用方式。二、安装与环境依赖1、环境依赖paddlepaddle 2.0.0paddlehub 2.0.02、安装使用 PaddleHub 命令行即可一键安装模块$ hub install resnet50_vd_animals如需指定历史版本可显式指定版本号$ hub install resnet50_vd_animals1.1.0安装或环境准备阶段遇到问题时可参考仓库内各平台的零基础安装指南零基础 Windows 安装零基础 Linux 安装零基础 MacOS 安装关于安装背后的机制从 paddlehub/module/module.py 的Module基类实现可以确认当本地不存在该模块时hub.Module(nameresnet50_vd_animals)会自动请求 PaddleHub 服务器下载对应资源hub install命令则完成模块的下载与本地注册。三、模型 API 预测1、命令行预测安装完成后通过hub run即可直接对单张图片做预测--input_path指定待识别图片的路径$ hub run resnet50_vd_animals --input_path /PATH/TO/IMAGE命令行入口对应 module.py 中由runnable装饰的run_cmd方法。除--input_path外命令行还支持以下可选参数与add_module_config_arg中定义一致参数默认值说明--use_gpuFalse是否使用 GPU 预测--batch_size1预测 batch 大小--top_k1返回置信度最高的前 k 个结果--use_device-指定推理设备取值为cpu/gpu/xpu/npu优先级高于--use_gpu更完整的 PaddleHub 命令行用法可参考 PaddleHub 命令行说明。2、预测代码示例在 Python 环境中加载模块并进行分类预测import paddlehub as hub import cv2 classifier hub.Module(nameresnet50_vd_animals) result classifier.classification(images[cv2.imread(/PATH/TO/IMAGE)]) # or # result classifier.classification(paths[/PATH/TO/IMAGE])其中images方式传入的是numpy.ndarray格式的 BGR 图像数据paths方式直接传入图片文件路径二者均可使用。3、API 详解预处理相关查询接口def get_expected_image_width()返回预处理后图片的宽度即224。def get_expected_image_height()返回预处理后图片的高度即224。def get_pretrained_images_mean()返回预处理使用的图片均值即[0.485, 0.456, 0.406]。def get_pretrained_images_std()返回预处理使用的图片标准差即[0.229, 0.224, 0.225]。上述四个接口对应 module.py 中同名方法的实现图片统一缩放到 224×224并使用 ImageNet 风格的均值/标准差做通道归一化。分类预测接口def classification(imagesNone, pathsNone, batch_size1, use_gpuFalse, top_k1):参数说明imageslist[numpy.ndarray]图片数据列表每个元素 shape 为[H, W, C]颜色空间为 BGRpathslist[str]图片路径列表batch_sizeintbatch 大小use_gpubool是否使用 GPU 预测若使用 GPU需提前设置CUDA_VISIBLE_DEVICES环境变量top_kint返回预测结果中置信度最高的前 k 个。返回值reslist[dict]分类结果列表每个元素为字典key 为识别出的动物类别名称value 为对应置信度。模型导出接口def save_inference_model(dirname, model_filenameNone, params_filenameNone, combinedTrue)将模型保存为 Paddle Inference 格式到指定路径便于脱离 PaddleHub 独立部署推理。参数说明dirname保存模型的目录名称model_filename模型文件名默认为__model__params_filename参数文件名默认为__params__仅在combinedTrue时生效combined是否将所有参数保存到统一的单个文件中。该接口在 paddlehub/module/module.py 的RunModule.save_inference_model中实现对于静态图推理模块会通过paddle.static.load_inference_model加载原始模型并用paddle.static.save_inference_model导出对于动态图paddle.nn.Layer模块则会基于paddle.jit.to_static导出。模块目录下的 test.py 中test_save_inference_model用例验证了导出产物model.pdmodel与model.pdiparams的存在性。四、源码级原理剖析1、数据预处理流水线data_feed.py 实现了完整的推理预处理流程与get_expected_image_*/get_pretrained_images_*系列接口一一对应resize_short将图片短边等比缩放到 256使用Image.LANCZOS重采样crop_image从缩放后图片中心裁剪 224×224 区域centerTrue将非 RGB 图像转换为 RGB转为float32并调整通道顺序为[C, H, W]除以 255 归一化到[0, 1]减去均值[0.485, 0.456, 0.406]、除以标准差[0.229, 0.224, 0.225]。reader生成器统一处理paths与images两种输入路径方式直接Image.open读取ndarray 方式则通过Image.fromarray(im[:, :, ::-1])将 BGR 转换回 RGB 后再走同一套流程。2、后处理与结果排序processor.py 中的postprocess对网络原始输出执行 softmax 归一化然后通过np.argsort降序取前top_k个索引映射到label_list得到类别名称与置信度字典。同一个文件中的base64_to_cv2函数则用于 Serving 场景下对 base64 编码图片的解码。3、多设备推理支持从 module.py 的_set_config与classification实现可以看出模块基于paddle.inference的Config/create_predictor构建了多套 predictor支持 CPU、GPU、XPU、NPU 四种设备默认创建 CPU predictor通过环境变量FLAGS_selected_npus检测 NPU 设备enable_npu通过环境变量CUDA_VISIBLE_DEVICES检测 GPU 设备enable_use_gpu初始显存池 1000MB通过环境变量XPU_VISIBLE_DEVICES检测 XPU 设备enable_xpu。classification中use_device参数会覆盖use_gpu标志选择具体设备batch 数据通过input_tensor.copy_from_cpu送入 predictor 执行。4、自动化测试验证模块自带 test.py基于unittest验证了核心行为分别以paths与images两种输入方式调用classification并断言结果中包含威尔士柯基且置信度大于 0.5覆盖use_gpuTrue的 GPU 推理路径验证非法路径触发AssertionError、非法输入类型触发TypeError等异常分支验证save_inference_model导出产物完整。五、服务化部署PaddleHub Serving 可以将该模块部署为一个在线动物识别服务整体分为两步。第一步启动 PaddleHub Serving运行启动命令$ hub serving start -m resnet50_vd_animals执行完成后即完成在线动物识别服务化 API 的部署默认监听端口为8866。NOTE如使用 GPU 预测需要在启动服务前设置CUDA_VISIBLE_DEVICES环境变量不使用 GPU 则无需设置。Serving 的底层实现在 paddlehub/commands/serving.pyhub serving start会通过preinstall_modules加载模块并找到其serving装饰的serving_method方法本例中即 module.py 内的serving_method负责 base64 解码后调用classification随后启动 HTTP 服务并监听指定端口端口被占用时会提示更换。第二步发送预测请求服务端配置完成后以下代码即可发送预测请求并获取结果import requests import json import cv2 import base64 def cv2_to_base64(image): data cv2.imencode(.jpg, image)[1] return base64.b64encode(data.tostring()).decode(utf8) # 发送HTTP请求 data {images:[cv2_to_base64(cv2.imread(/PATH/TO/IMAGE))]} headers {Content-type: application/json} url http://127.0.0.1:8866/predict/resnet50_vd_animals r requests.post(urlurl, headersheaders, datajson.dumps(data)) # 打印预测结果 print(r.json()[results])请求体中的images字段为图片经 base64 编码后的字符串列表返回的results即分类结果类别与置信度字典。更多 Serving 配置细节可参考 PaddleHub Serving 文档。六、更新历史1.0.0初始发布。1.1.0移除 Fluid API。如需安装 1.1.0 版本执行$ hub install resnet50_vd_animals1.1.0结语resnet50_vd_animals是 PaddleHub 生态中一个开箱即用的细粒度动物分类模块它以 ResNet50_vd 为骨干网络在百度自建动物数据集上训练支持 7978 种动物识别并提供命令行、Python API 与 Serving 服务三种调用形态。通过本文对 module.py、data_feed.py、processor.py 与 test.py 的源码级拆解读者既可以快速上手完成推理与部署也能在需要时基于同样的 Module 开发模式复用其多设备推理与预处理后处理流程构建自己的图像分类服务。【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址: https://gitcode.com/gh_mirrors/pa/PaddleFormers创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PaddleFormers 动物识别模块 resnet50_vd_animals 实战指南：安装、预测 API 与服务化部署
PaddleFormers 动物识别模块 resnet50_vd_animals 实战指南安装、预测 API 与服务化部署【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址: https://gitcode.com/gh_mirrors/pa/PaddleFormers本篇技术指南以 PaddleFormers 仓库中的modules/image/classification/resnet50_vd_animals动物分类模块为核心系统讲解该基于 ResNet50_vdResNet-D架构、由百度自建动物数据集训练、可识别 7978 种动物的预训练模型的安装流程、命令行与 Python 预测 API、多设备推理原理以及 PaddleHub Serving 在线服务化部署。读完本文你将能够独立完成从模型安装、单张/批量图片分类预测到部署在线动物识别 HTTP 服务的完整实战链路并理解其底层数据预处理与后处理实现细节。一、模型基本信息模型概览项目内容模型名称resnet50_vd_animals类别图像-图像分类网络ResNet50_vd数据集百度自建动物数据集是否支持 Fine-tuning否模型大小154MB指标-最新更新日期2021-02-26模型介绍ResNet-vd 即 ResNet-D是 ResNet 原始结构的变种常用于图像分类和特征提取任务。该 PaddleHub Module 采用百度自建动物数据集训练得到支持7978 种动物的分类识别类别标签清单见 label_list.txt。值得注意的细节是label_list.txt实际包含 7979 行除 7978 个动物类别外末尾还包含一个非动物类别用于对非动物输入给出显式的兜底判断。模型详情可参考 ResNet-vd 相关论文arXiv:1812.01187。从模块源码看该模型被打包为一个标准的 PaddleHub Modulemodule.py 中通过moduleinfo装饰器声明了模块元信息名称resnet50_vd_animals、类型CV/image_classification、作者baidu-vis、版本1.0.1并定义了classification、serving_method、run_cmd等核心方法分别对应 Python API 预测、Serving 服务调用与命令行hub run调用三种使用方式。二、安装与环境依赖1、环境依赖paddlepaddle 2.0.0paddlehub 2.0.02、安装使用 PaddleHub 命令行即可一键安装模块$ hub install resnet50_vd_animals如需指定历史版本可显式指定版本号$ hub install resnet50_vd_animals1.1.0安装或环境准备阶段遇到问题时可参考仓库内各平台的零基础安装指南零基础 Windows 安装零基础 Linux 安装零基础 MacOS 安装关于安装背后的机制从 paddlehub/module/module.py 的Module基类实现可以确认当本地不存在该模块时hub.Module(nameresnet50_vd_animals)会自动请求 PaddleHub 服务器下载对应资源hub install命令则完成模块的下载与本地注册。三、模型 API 预测1、命令行预测安装完成后通过hub run即可直接对单张图片做预测--input_path指定待识别图片的路径$ hub run resnet50_vd_animals --input_path /PATH/TO/IMAGE命令行入口对应 module.py 中由runnable装饰的run_cmd方法。除--input_path外命令行还支持以下可选参数与add_module_config_arg中定义一致参数默认值说明--use_gpuFalse是否使用 GPU 预测--batch_size1预测 batch 大小--top_k1返回置信度最高的前 k 个结果--use_device-指定推理设备取值为cpu/gpu/xpu/npu优先级高于--use_gpu更完整的 PaddleHub 命令行用法可参考 PaddleHub 命令行说明。2、预测代码示例在 Python 环境中加载模块并进行分类预测import paddlehub as hub import cv2 classifier hub.Module(nameresnet50_vd_animals) result classifier.classification(images[cv2.imread(/PATH/TO/IMAGE)]) # or # result classifier.classification(paths[/PATH/TO/IMAGE])其中images方式传入的是numpy.ndarray格式的 BGR 图像数据paths方式直接传入图片文件路径二者均可使用。3、API 详解预处理相关查询接口def get_expected_image_width()返回预处理后图片的宽度即224。def get_expected_image_height()返回预处理后图片的高度即224。def get_pretrained_images_mean()返回预处理使用的图片均值即[0.485, 0.456, 0.406]。def get_pretrained_images_std()返回预处理使用的图片标准差即[0.229, 0.224, 0.225]。上述四个接口对应 module.py 中同名方法的实现图片统一缩放到 224×224并使用 ImageNet 风格的均值/标准差做通道归一化。分类预测接口def classification(imagesNone, pathsNone, batch_size1, use_gpuFalse, top_k1):参数说明imageslist[numpy.ndarray]图片数据列表每个元素 shape 为[H, W, C]颜色空间为 BGRpathslist[str]图片路径列表batch_sizeintbatch 大小use_gpubool是否使用 GPU 预测若使用 GPU需提前设置CUDA_VISIBLE_DEVICES环境变量top_kint返回预测结果中置信度最高的前 k 个。返回值reslist[dict]分类结果列表每个元素为字典key 为识别出的动物类别名称value 为对应置信度。模型导出接口def save_inference_model(dirname, model_filenameNone, params_filenameNone, combinedTrue)将模型保存为 Paddle Inference 格式到指定路径便于脱离 PaddleHub 独立部署推理。参数说明dirname保存模型的目录名称model_filename模型文件名默认为__model__params_filename参数文件名默认为__params__仅在combinedTrue时生效combined是否将所有参数保存到统一的单个文件中。该接口在 paddlehub/module/module.py 的RunModule.save_inference_model中实现对于静态图推理模块会通过paddle.static.load_inference_model加载原始模型并用paddle.static.save_inference_model导出对于动态图paddle.nn.Layer模块则会基于paddle.jit.to_static导出。模块目录下的 test.py 中test_save_inference_model用例验证了导出产物model.pdmodel与model.pdiparams的存在性。四、源码级原理剖析1、数据预处理流水线data_feed.py 实现了完整的推理预处理流程与get_expected_image_*/get_pretrained_images_*系列接口一一对应resize_short将图片短边等比缩放到 256使用Image.LANCZOS重采样crop_image从缩放后图片中心裁剪 224×224 区域centerTrue将非 RGB 图像转换为 RGB转为float32并调整通道顺序为[C, H, W]除以 255 归一化到[0, 1]减去均值[0.485, 0.456, 0.406]、除以标准差[0.229, 0.224, 0.225]。reader生成器统一处理paths与images两种输入路径方式直接Image.open读取ndarray 方式则通过Image.fromarray(im[:, :, ::-1])将 BGR 转换回 RGB 后再走同一套流程。2、后处理与结果排序processor.py 中的postprocess对网络原始输出执行 softmax 归一化然后通过np.argsort降序取前top_k个索引映射到label_list得到类别名称与置信度字典。同一个文件中的base64_to_cv2函数则用于 Serving 场景下对 base64 编码图片的解码。3、多设备推理支持从 module.py 的_set_config与classification实现可以看出模块基于paddle.inference的Config/create_predictor构建了多套 predictor支持 CPU、GPU、XPU、NPU 四种设备默认创建 CPU predictor通过环境变量FLAGS_selected_npus检测 NPU 设备enable_npu通过环境变量CUDA_VISIBLE_DEVICES检测 GPU 设备enable_use_gpu初始显存池 1000MB通过环境变量XPU_VISIBLE_DEVICES检测 XPU 设备enable_xpu。classification中use_device参数会覆盖use_gpu标志选择具体设备batch 数据通过input_tensor.copy_from_cpu送入 predictor 执行。4、自动化测试验证模块自带 test.py基于unittest验证了核心行为分别以paths与images两种输入方式调用classification并断言结果中包含威尔士柯基且置信度大于 0.5覆盖use_gpuTrue的 GPU 推理路径验证非法路径触发AssertionError、非法输入类型触发TypeError等异常分支验证save_inference_model导出产物完整。五、服务化部署PaddleHub Serving 可以将该模块部署为一个在线动物识别服务整体分为两步。第一步启动 PaddleHub Serving运行启动命令$ hub serving start -m resnet50_vd_animals执行完成后即完成在线动物识别服务化 API 的部署默认监听端口为8866。NOTE如使用 GPU 预测需要在启动服务前设置CUDA_VISIBLE_DEVICES环境变量不使用 GPU 则无需设置。Serving 的底层实现在 paddlehub/commands/serving.pyhub serving start会通过preinstall_modules加载模块并找到其serving装饰的serving_method方法本例中即 module.py 内的serving_method负责 base64 解码后调用classification随后启动 HTTP 服务并监听指定端口端口被占用时会提示更换。第二步发送预测请求服务端配置完成后以下代码即可发送预测请求并获取结果import requests import json import cv2 import base64 def cv2_to_base64(image): data cv2.imencode(.jpg, image)[1] return base64.b64encode(data.tostring()).decode(utf8) # 发送HTTP请求 data {images:[cv2_to_base64(cv2.imread(/PATH/TO/IMAGE))]} headers {Content-type: application/json} url http://127.0.0.1:8866/predict/resnet50_vd_animals r requests.post(urlurl, headersheaders, datajson.dumps(data)) # 打印预测结果 print(r.json()[results])请求体中的images字段为图片经 base64 编码后的字符串列表返回的results即分类结果类别与置信度字典。更多 Serving 配置细节可参考 PaddleHub Serving 文档。六、更新历史1.0.0初始发布。1.1.0移除 Fluid API。如需安装 1.1.0 版本执行$ hub install resnet50_vd_animals1.1.0结语resnet50_vd_animals是 PaddleHub 生态中一个开箱即用的细粒度动物分类模块它以 ResNet50_vd 为骨干网络在百度自建动物数据集上训练支持 7978 种动物识别并提供命令行、Python API 与 Serving 服务三种调用形态。通过本文对 module.py、data_feed.py、processor.py 与 test.py 的源码级拆解读者既可以快速上手完成推理与部署也能在需要时基于同样的 Module 开发模式复用其多设备推理与预处理后处理流程构建自己的图像分类服务。【免费下载链接】PaddleFormersPaddleFormers is an easy-to-use library of pre-trained large language model zoo based on PaddlePaddle.项目地址: https://gitcode.com/gh_mirrors/pa/PaddleFormers创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考