[PYTHON] Integrieren Sie Shelty Judgement AI in Ihre Web-App
Einführung
https://qiita.com/maitake9116/items/df733df5e608f8616d14 Lassen Sie uns die im Schritt erstellte Shelty Judgement AI in Flask integrieren.
Verfassung
Es wurde auf Ubuntu durchgeführt, das mit Vagrant gebaut wurde. Die IP ist 192.168.33.31.
~/python/api
├─app.py
├─ai.py
├─model :Vorgefertigtes Modell
│ ├─model_predict.json
│ └─model_predict.hdf5
├─static
│ ├─favicon.ico :Fabicon (optional)
│ └─style.css :Stylesheet
├─templates :Bildschirmvorlage
│ └─index.html
├─images :Verzeichnis zum Speichern hochgeladener Bilder
└─uwsgi.ini :uWSGI-Konfigurationsdatei
Bild
Bereiten Sie das Anwendungsbereitstellungsziel vor
$ mkdir -p ~/python/api
$ cd ~/python/api
$ python3 -m venv api
$ source api/bin/activate
#Installieren Sie die Bibliotheken, die zum Ausführen von ai benötigt werden
$ pip install werkzeug
$ pip install numpy==1.16.2
$ pip install sklearn
$ pip install tensorflow
$ pip install keras
$ pip install matplotlib
$ pip install pillow
Bildschirm
Wenn die Datei hochgeladen wird, werden das hochgeladene Bild und das Bewertungsergebnis angezeigt. Ich habe Bootstrap geladen und ein wenig dekoriert.
{% extends "layout.html" %}
{% block content %}
<div class="container">
<div class="m-5">
<H1>Shelty Urteil AI</H1>
</div>
<div class="m-5">
<p>Stellen Sie fest, ob es sich um einen Sheltie handelt. Bitte laden Sie das Bild hoch.</p>
<form action="/upload" method="post" enctype="multipart/form-data">
<input type="file" id=image name="image" accept="image/png, image/jpeg">
<button class="button" type="submit">submit</button>
</form>
</div>
{% if img_url %}
<div class="m-5 box">
<h3>Bild</h3>
<img src="{{ img_url }}">
<h3>Urteilsergebnis</h3>
<p>{{ judgment }}</p>
</div>
{% endif %}
</div>
{% endblock %}
<!DOCTYPE html>
<html lang="ja">
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1">
<link rel="stylesheet" href="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/css/bootstrap.min.css" integrity="sha384-ggOyR0iXCbMQv3Xipma34MD+dH/1fQ784/j6cY/iJTQUOhcWr7x9JvoRxT2MZw1T" crossorigin="anonymous">
<script src="https://code.jquery.com/jquery-3.3.1.slim.min.js" integrity="sha384-q8i/X+965DzO0rT7abK41JStQIAqVgRVzpbzo5smXKp4YfRvH+8abtTE1Pi6jizo" crossorigin="anonymous"></script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/popper.js/1.14.7/umd/popper.min.js" integrity="sha384-UO2eT0CpHqdSJQ6hJty5KVphtPhzWj9WO1clHTMGa3JDZwrnQq4sF86dIHNDz0W1" crossorigin="anonymous"></script>
<script src="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/js/bootstrap.min.js" integrity="sha384-JjSmVgyd0p3pXB1rRibZUAYoIIy6OrQ6VrjIEaFf/nJGzIxFDsf4x0xIM+B07jRM" crossorigin="anonymous"></script>
<link rel=stylesheet type=text/css href="{{ url_for('static', filename='style.css') }}">
<link rel="shortcut icon" href="{{ url_for('.static',filename='favicon.ico') }}" />
<title>Shelty Urteil AI</title>
</head>
<body>
{% block content %}{% endblock %}
</body>
</html>
h1 {
background: #dfefff;
box-shadow: 0px 0px 0px 5px #dfefff;
border: dashed 1px #96c2fe;
padding: 0.2em 0.5em;
color: #454545;
}
.box {
padding: 0.5em 1em;
margin: 2em 0;
border: double 5px #4ec4d3;
}
Programm
Wenn das Bild von app.py hochgeladen wird, speichern Sie das Bild und übergeben Sie den Dateipfad an ai.py, um das Bewertungsergebnis zu erhalten.
# -*- coding: utf-8 -*-
from flask import Flask, render_template, request, redirect, url_for, send_from_directory
from werkzeug.utils import secure_filename
import numpy as np
import os
import ai
app = Flask(__name__)
SAVE_DIR = "./images"
app = Flask(__name__, static_url_path="")
@app.route('/')
def index():
return render_template('index.html')
@app.route('/images/<path:path>')
def send_js(path):
return send_from_directory(SAVE_DIR, path)
@app.route('/upload', methods=['POST'])
def upload():
img_file = request.files['image']
if img_file:
file_name = secure_filename(img_file.filename)
file_path = os.path.join(SAVE_DIR, file_name)
img_file.save(file_path)
judgment = ai.predict(file_path)
return render_template('index.html', img_url=file_path, judgment=judgment)
# -*- coding: utf-8 -*-
from keras import models
from keras.models import model_from_json
from keras.preprocessing import image
import numpy as np
import sys
import os
from keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
def predict(img_path: str):
#Modell speichern Ziel
MODEL_ROOT_DIR = './model/'
MODEL_PATH = os.path.join(MODEL_ROOT_DIR, 'model_predict.json')
WEIGHT_PATH = os.path.join(MODEL_ROOT_DIR, 'model_predict.hdf5')
#Kategorie
CATEGORIES = [u'Shelty', u'Corgi', u'Border Collie']
#Bildgröße
IMG_SIZE = 150
INPUT_SHAPE = (IMG_SIZE, IMG_SIZE,3)
#Laden Sie das Modell
model = model_from_json(open(MODEL_PATH).read())
model.load_weights(WEIGHT_PATH)
#Bild vom Eingabeargument lesen
img = image.load_img(img_path, target_size=INPUT_SHAPE)
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
#Mit einem Modell vorhersagen
features = model.predict(x)
if features[0, 0] == 1:
return u'Das ist Shelty.'
else:
for i in range(0, len(CATEGORIES)):
if features[0, i] == 1:
return u'Es scheint kein Sheltie zu sein.{}ist.'.format(CATEGORIES[i])
Servicestart
#Starten Sie Nginx
$ sudo systemctl start nginx
$ vi uwsgi.ini
#Starten Sie uWSGI
$ uwsgi uwsgi.ini
[uwsgi]
wsgi-file=app.py
callable=app
http=0.0.0.0:8000
socket=/tmp/uwsgi.sock
chmod-socket=666
Shelty Judgement AI App Demo
Ich habe auf http://192.168.33.31 zugegriffen und den Vorgang bestätigt.
Es war einfach, KI in eine Web-App zu integrieren.