Einführung

Das in [Python x Flask x Tensorflow.Keras-Webanwendung, die Katzenrassen vorhersagt] erstellte Python-Programm wurde geändert (https://qiita.com/Susasan/items/52d1c838eb34133042a3).

Änderungen

Vorher ändern
Speichern und behandeln Sie das Eingabebild als Datei --Nach der veränderung
Speichern Sie das Eingabebild vorübergehend im Speicher und verarbeiten Sie es

Datei ändern

sever.py --Sichern Sie sich einen Puffer zum Schreiben von Bildern --Schreiben Sie Bilddaten in den Puffer
Binärdaten mit base64 codieren --Decode mit utf-8
Geben Sie beiläufige Informationen --Pass zu HTML

`sever.py`


from flask import Flask, render_template, request
from tensorflow.keras.preprocessing.image import load_img
from tensorflow.keras.models import load_model
import numpy as np
from image_process import examine_cat_breeds
from datetime import datetime
import os
import cv2
import pandas as pd
import base64
from io import BytesIO

app = Flask(__name__)

#Modell-(model.h5)Und eine Liste von Klassen(cat_list)Lesen
model = load_model('model.h5')
cat_list = []
with open('cat_list.txt') as f:
    cat_list = [s.strip() for s in f.readlines()]
print('= = cat_list = =')
print(cat_list)


@app.route("/", methods=["GET","POST"])
def upload_file():
    if request.method == "GET":
        return render_template("index.html")

    if request.method == "POST":
        #Speichern Sie die hochgeladene Datei einmal
        f = request.files["file"]
        #filepath = "./static/" + datetime.now().strftime("%Y%m%d%H%M%S") + ".png "
        #f.save(filepath)
        #Bilddatei laden
        #Ändern Sie die Größe der Bilddatei
        input_img = load_img(f, target_size=(299, 299))
        
        #Ausführung einer Funktion zur Überprüfung des Katzentyps
        result = examine_cat_breeds(input_img, model, cat_list)
        print("result")
        print(result)

        no1_cat = result[0,0]
        no2_cat = result[1,0]
        no3_cat = result[2,0]

        no1_cat_pred = result[0,1]
        no2_cat_pred = result[1,1]
        no3_cat_pred = result[2,1]

        #Sichern Sie sich einen Puffer zum Schreiben von Bildern
        buf = BytesIO()
        #Schreiben Sie Bilddaten in den Puffer
        input_img.save(buf,format="png")

        #Codieren Sie Binärdaten mit base64
        # utf-Bei 8 dekodieren
        input_img_b64str = base64.b64encode(buf.getvalue()).decode("utf-8") 

        #Fügen Sie zufällige Informationen hinzu
        input_img_b64data = "data:image/png;base64,{}".format(input_img_b64str) 

        #An HTML übergeben
        return render_template("index.html", input_img_b64data=input_img_b64data, 
        no1_cat=no1_cat, no2_cat=no2_cat, no3_cat=no3_cat,
        no1_cat_pred=no1_cat_pred, no2_cat_pred=no2_cat_pred, no3_cat_pred=no3_cat_pred)

if __name__ == '__main__':
    app.run(host="0.0.0.0")

index.html

`index.html`


<!DOCTYPE html>
<html>
   <body>
      {% if no1_cat %}
      <img src="{{input_img_b64data}}" border="1" ><br>
Vorhersageergebnis<br>
      {{no1_cat}}:{{no1_cat_pred}}<br>
      {{no2_cat}}:{{no2_cat_pred}}<br>
      {{no3_cat}}:{{no3_cat_pred}}<br>
      <hr>
      {% endif %}
Bitte wählen Sie eine Datei und senden Sie<br>
      <form action = "./" method = "POST" 
         enctype = "multipart/form-data">
         <input type = "file" name = "file" />
         <input type = "submit"/>
      </form>
   </body>
</html>

Ausführungsergebnis

Das Bild wird mit 299 x 299 angezeigt (die Eingabegröße des Modells bleibt erhalten ...)

Python x Flask x Tensorflow.Keras Web-App, die Katzenrassen vorhersagt 2