作者|Aniket Maurya
编译|VK
来源|Towards Datas Science

这个博客的源代码可以从https://github.com/aniketmaurya/tensorflow-web-app-starter-pack获得

让我们从一个简单的helloworld示例开始

首先，我们导入FastAPI类并创建一个对象应用程序。这个类有一些有用的参数，比如我们可以传递swaggerui的标题和描述。

from fastapi import FastAPI
app = FastAPI(title=\'Hello world\')

我们定义一个函数并用@app.get. 这意味着我们的API/index支持GET方法。这里定义的函数是异步的，FastAPI通过为普通的def函数创建线程池来自动处理异步和不使用异步方法，并且它为异步函数使用异步事件循环。

@app.get(\'/index\')
async def hello_world():
    return "hello world"

图像识别API

我们将创建一个API来对图像进行分类，我们将其命名为predict/image。我们将使用Tensorflow来创建图像分类模型。

Tensorflow图像分类教程:https://aniketmaurya.ml/blog/tensorflow/deep learning/2019/05/12/image-classification-with-tf2.html

我们创建了一个函数load_model，它将返回一个带有预训练权重的MobileNet CNN模型，即它已经被训练为对1000个不同类别的图像进行分类。

import tensorflow as tf

def load_model():
    model = tf.keras.applications.MobileNetV2(weights="imagenet")
    print("Model loaded")
    return model
    
model = load_model()

我们定义了一个predict函数，它将接受图像并返回预测。我们将图像大小调整为224×224，并将像素值规格化为[-1，1]。

from tensorflow.keras.applications.imagenet_utils 
import decode_predictions

decode_predictions用于解码预测对象的类名。这里我们将返回前2个可能的类。

def predict(image: Image.Image):

    image = np.asarray(image.resize((224, 224)))[..., :3]
    image = np.expand_dims(image, 0)
    image = image / 127.5 - 1.0
    
    result = decode_predictions(model.predict(image), 2)[0]
    
    response = []
    
    for i, res in enumerate(result):
        resp = {}
        resp["class"] = res[1]
        resp["confidence"] = f"{res[2]*100:0.2f} %"
        
        response.append(resp)
        
    return response

现在我们将创建一个支持文件上传的API/predict/image。我们将过滤文件扩展名以仅支持jpg、jpeg和png格式的图像。

我们将使用Pillow加载上传的图像。

def read_imagefile(file) -> Image.Image:
    image = Image.open(BytesIO(file))
    return image
    
@app.post("/predict/image")
async def predict_api(file: UploadFile = File(...)):
    extension = file.filename.split(".")[-1] in ("jpg", "jpeg", "png")
    if not extension:
        return "Image must be jpg or png format!"
    image = read_imagefile(await file.read())
    prediction = predict(image)
    
    return prediction

最终代码

import uvicorn
from fastapi import FastAPI, File, UploadFile

from application.components import predict, read_imagefile

app = FastAPI()

@app.post("/predict/image")
async def predict_api(file: UploadFile = File(...)):
    extension = file.filename.split(".")[-1] in ("jpg", "jpeg", "png")
    if not extension:
        return "Image must be jpg or png format!"
    image = read_imagefile(await file.read())
    prediction = predict(image)
    
    return prediction
    
@app.post("/api/covid-symptom-check")
def check_risk(symptom: Symptom):
    return symptom_check.get_risk_level(symptom)
    
if __name__ == "__main__":
    uvicorn.run(app, debug=True)

FastAPI文档是了解框架核心概念的最佳场所:https://fastapi.tiangolo.com/

希望你喜欢这篇文章。

原文链接：https://towardsdatascience.com/image-classification-api-with-tensorflow-and-fastapi-fc85dc6d39e8

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/