当前位置：首页 > news >正文

深度学习模型部署：使用Flask将图像分类（5类）模型部署在服务器上，然后在本地GUI调用。（全网模型部署项目步骤详解：从模型训练到部署再到调用）

news 来源：原创 2025/5/23 5:04:47

个人github对应项目链接：
https://github.com/KLWU07/Image-classification-and-model-deployment
1.流程总览
2.图像分类的模型—Alexnet
3.服务器端部署及运行
4.本地PyCharm调用—GUI界面

一、流程总览

本项目方法还是使用Flask 库，与之前一篇机器学习模型部署类似，只不过这里换了深度学习模型以及GUI界面调用，前面不知道可参考这篇文章机器学习模型部署：使用Flask 库的 Python Web 框架将XGBoost模型部署在服务器上（简单小模型）从模型训练到部署再到本地调用，有些方法有修改，至少没有遇到报错，之前是库版本不同报错。如果不知道怎么训练一个Alexnet网络模型，请看内容二。本模型在CPU下训练，训练环境python==3.8,框架pytorch.数据集下载地址如下：
https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
本项目目录结构如下：主要得到server/和client/文件夹。

image_classification/
├── server/
│   ├── app.py               # Flask服务端代码
│   ├── model.py             # AlexNet模型定义，由train/里复制过来
│   ├── requirements.txt     # 服务端依赖
│   └── model/
│       ├── AlexNet-flower.pth    # 训练好的模型权重，由train/里复制过来
│       └── class_indices.json    # 类别标签文件，由train/里复制过来
└── client/
│   ├── gui_app.py           # 客户端GUI代码
│   └── requirements.txt     # 客户端依赖
├── train/                   # 训练模型文件夹
│   ├── model.py             # AlexNet模型定义
│   ├── train.py             # 训练模型文件
│   ├── predict.py           # 训练好的模型使用一张图片预测文件
│   └── class_indices.json   # 训练模型时生成文件
└── data_set/
│   ├── flower_data          # 数据集
│   │   ├── flower_photos/   # 官网公开数据集
│   │       ├── daisy/       # 里面是自己种类图片
│   │       ├── dandelion/   # 图片
│   │       ├── roses/       # 图片
│   │       ├── sunflowers/  # 图片
│   │       └──tulips/       # 图片
│   │   ├──train/            # 训练集图片,里面结构和flower_photos一样
│   │   └──val/              # 验证集图片,里面结构和flower_photos一样
│   └── split_data.py        # 划分数据集文件，争对flower_photos文件夹里数据划分成train和val两个文件夹
└── requirements.txt         # 在本地端pycharm终端生成的文件，方面在服务器端创建相同环境，安装相同版本的库，三个requirements.txt文件相同。

二、训练图像分类模型—Alexnet

说明这里不介绍Alexnet模型结构以及怎么训练你自己的分类模型，请参考之前两篇文章。卷积神经网络CNN里经典网络模型之 AlexNet全网最详解（理论篇）和
深度学习pytorch实战二：AlexNet图像分类篇且官网提供花数据集分五类。

1.训练模型和预测

总结以下几步：
1.自建几类数据集，train和val放好对应几类文件夹，如果练习就采用官网提供数据集。
2.split_data.py文件划分数据集，得到当前文件夹下产生train和val文件夹（模型训练训练集和验证集）。
3.model.py和train.py文件（代码直接在那篇文章复制）.
4.模型训练结束有两个文件AlexNet-flower.pth和class_indices.json。
5.复制移动相应的文件到指定目录

2.生成requirements.txt

方法1.不建议使用以下代码，当前环境中所有已安装的包及其版本写入requirements.txt，使用方法2

pip freeze > requirements.txt# 因为文本中有含其他内容，如
Flask==3.1.1
matplotlib==3.7.2
gmpy2 @ file:///C:/ci/gmpy2_1645456279018/work
numpy==1.24.4
idna @ file:///C:/b/abs_aad84bnnw5/croot/idna_1714398896795/work

方法2.使用pipreqs工具自动分析代码中的导入语句，生成更精准的依赖列表

# 安装工具
pip install pipreqs# 生成requirements.txt（在项目根目录下执行）
pipreqs .# --force参数的作用是覆盖已有的requirements.txt文件。运行代码过程中也会警告报错一些内容，不影响等待生成requirements.txt。
pipreqs . --force

方法3:比较麻烦，需要一个个去搜版本库在安装。
当然这里可以检查对应库版本，以及更新对应版本库。

(pytorchcpu) :pip show torch   #示例一个Name: torch
Version: 2.4.1
Summary: Tensors and Dynamic neural networks in Python with strong GPU acceleration
Home-page: https://pytorch.org/
Author: PyTorch Team
Author-email: packages@pytorch.org
License: BSD-3
Location: c:\users\.conda\envs\pytorchcpu\lib\site-packages
Requires: filelock, fsspec, jinja2, networkx, sympy, typing-extensions
Required-by: torchaudio, torchvisionpip install torch==2.4.1  # 安装 torch 2.4.1 版本#如果
pip install --upgrade flask==2.2.5  # 升级或降级到 2.2.5 版本#conda代码
conda install flask=2.2.5  # 注意是等号（=）而非双等号（==）
conda update flask=2.2.5

当然还有其他安装库和包，参考这篇文章争对机器学习和深度学习里Python项目开发管理项目依赖的工具中方便第三方库和包的安装

三、服务器端部署及运行

1.服务器端代码 (server/app.py)

import os
from flask import Flask, request, jsonify
from werkzeug.utils import secure_filename
import torch
from torchvision import transforms
from PIL import Image
import json
import numpy as np
from model import AlexNet  # 确保您的模型定义可用app = Flask(__name__)# 配置
UPLOAD_FOLDER = 'uploads'
ALLOWED_EXTENSIONS = {'png', 'jpg', 'jpeg'}
app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER# 加载模型和类别信息
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = AlexNet(num_classes=5, init_weights=True)
model.load_state_dict(torch.load('model/AlexNet-flower.pth', map_location=device, weights_only=True))
model.to(device)
model.eval()# 加载类别信息
with open('model/class_indices.json', 'r') as f:class_indices = json.load(f)# 图像预处理
data_transform = transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])def allowed_file(filename):return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS@app.route('/predict', methods=['POST'])
def predict():if 'file' not in request.files:return jsonify({'error': 'No file part'}), 400file = request.files['file']if file.filename == '':return jsonify({'error': 'No selected file'}), 400if file and allowed_file(file.filename):filename = secure_filename(file.filename)filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename)file.save(filepath)try:# 预处理图像img = Image.open(filepath)if img.mode != 'RGB':img = img.convert('RGB')img = data_transform(img)img = torch.unsqueeze(img, dim=0)# 预测with torch.no_grad():output = model(img.to(device))predict = torch.softmax(output, dim=1)prob, classes = torch.max(predict, 1)class_name = class_indices[str(classes.item())]confidence = prob.item()# 清理上传的文件os.remove(filepath)return jsonify({'class': class_name,'confidence': confidence,'class_id': classes.item()})except Exception as e:return jsonify({'error': f'Prediction failed: {str(e)}'}), 500return jsonify({'error': 'File type not allowed'}), 400if __name__ == '__main__':# 确保上传文件夹存在os.makedirs(UPLOAD_FOLDER, exist_ok=True)app.run(host='0.0.0.0', port=5000, debug=True)

2.创建环境和安装对应库

conda create --name WY python=3.8 #创建环境

安装requirements.txt问价里库。

Flask==3.0.3
matplotlib==3.7.2
numpy==1.24.4
Pillow==10.4.0
Requests==2.32.3
torch==2.4.1
torchvision==0.20.0
tqdm==4.67.1
Werkzeug==3.0.3

3.上传server文件夹到服务器

试着验证是否能运行-modle.py

conda activate WY   #激活环境
python modle.py     #是否报错，没有报错就可以，运行app.py文件

如果报错如下

(WY) $ python model.py
Traceback (most recent call last):File "model.py", line 1, in <module>import torch.nn as nnFile "/data/home/sgt_wkl/software/miniconda3/envs/WY/lib/python3.8/site-packages/torch/__init__.py", line 289, in <module>_load_global_deps()File "/data/home/sgt_wkl/software/miniconda3/envs/WY/lib/python3.8/site-packages/torch/__init__.py", line 245, in _load_global_depsraise errFile "/data/home/sgt_wkl/software/miniconda3/envs/WY/lib/python3.8/site-packages/torch/__init__.py", line 226, in _load_global_depsctypes.CDLL(global_deps_lib_path, mode=ctypes.RTLD_GLOBAL)File "/data/home/sgt_wkl/software/miniconda3/envs/WY/lib/python3.8/ctypes/__init__.py", line 373, in __init__self._handle = _dlopen(self._name, mode)
OSError: libstdc++.so.6: wrong ELF class: ELFCLASS32解析：问题的根本原因是 libstdc++.so.6 文件的 ELF 类型与系统要求不匹配。具体来说，报错信息中提到 wrong ELF class: ELFCLASS32，这意味着加载的 libstdc++.so.6 是 32 位的，而你的系统或程序可能需要 64 位的版本。Miniconda 环境中可能安装了错误版本的 libstdc++，# 解决
conda install -c conda-forge libstdcxx-ng  # 在 Miniconda 环境中安装正确的 libstdc++
conda list libstdc

4.运行app.py

python app.py

运行后生成一些内容

(WY) $ python app.py* Serving Flask app 'app'* Debug mode: on
WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.* Running on all addresses (0.0.0.0)* Running on http://111.1.1.1:5000               # IP我改成1替换* Running on http://111.111.111.1:5000           # IP我改成1替换Press CTRL+C to quit* Restarting with stat* Debugger is active!* Debugger PIN: 111-111-111                # 我改成1替换

每个设备生成的IP地址不同，记得修改。

四、本地PyCharm调用—GUI界面

1.gui_app.py代码

import tkinter as tk
from tkinter import filedialog, messagebox
from PIL import Image, ImageTk
import requests
import ioclass ImageClassifierApp:def __init__(self, root):self.root = rootself.root.title("花卉图像分类器")self.root.geometry("800x600")# 服务器URLself.server_url = "http://192.168.168.5:5000/predict"# 创建UI组件self.create_widgets()def create_widgets(self):# 顶部框架top_frame = tk.Frame(self.root)top_frame.pack(pady=20)# 选择图像按钮self.select_btn = tk.Button(top_frame, text="选择花卉图像", command=self.select_image)self.select_btn.pack(side=tk.LEFT, padx=10)# 预测按钮self.predict_btn = tk.Button(top_frame, text="预测", command=self.predict_image, state=tk.DISABLED)self.predict_btn.pack(side=tk.LEFT, padx=10)# 图像显示区域self.image_frame = tk.Frame(self.root)self.image_frame.pack(pady=20)self.image_label = tk.Label(self.image_frame)self.image_label.pack()# 结果显示区域self.result_frame = tk.Frame(self.root)self.result_frame.pack(pady=20)self.class_label = tk.Label(self.result_frame, text="花卉种类: ", font=('Arial', 14))self.class_label.pack()self.confidence_label = tk.Label(self.result_frame, text="置信度: ", font=('Arial', 14))self.confidence_label.pack()# 添加一个显示类别对应关系的文本区域self.class_info = tk.Text(self.root, height=6, width=50, font=('Arial', 10))self.class_info.pack(pady=10)self.class_info.insert(tk.END, "类别对应关系:\n0: daisy\n1: dandelion\n2: roses\n3: sunflower\n4: tulips")self.class_info.config(state=tk.DISABLED)def select_image(self):file_path = filedialog.askopenfilename(title="选择花卉图像",filetypes=(("JPEG files", "*.jpg"), ("PNG files", "*.png"), ("All files", "*.*")))if file_path:try:self.image_path = file_pathself.display_image(file_path)self.predict_btn.config(state=tk.NORMAL)except Exception as e:messagebox.showerror("错误", f"无法加载图像: {str(e)}")def display_image(self, image_path):img = Image.open(image_path)img.thumbnail((400, 400))img_tk = ImageTk.PhotoImage(img)self.image_label.config(image=img_tk)self.image_label.image = img_tkdef predict_image(self):if not hasattr(self, 'image_path'):messagebox.showwarning("警告", "请先选择图像")returntry:with open(self.image_path, 'rb') as img_file:files = {'file': img_file}response = requests.post(self.server_url, files=files)if response.status_code == 200:result = response.json()self.show_result(result)else:messagebox.showerror("错误", f"预测失败: {response.text}")except Exception as e:messagebox.showerror("错误", f"发生错误: {str(e)}")def show_result(self, result):self.class_label.config(text=f"花卉种类: {result['class']} (ID: {result['class_id']})")self.confidence_label.config(text=f"置信度: {result['confidence']:.2%}")if __name__ == "__main__":root = tk.Tk()app = ImageClassifierApp(root)root.mainloop()