YOLOv8测试3：在Python中将YOLOv8模型封装成API接口使用（上传测试图片并返回识别结果，附测试代码）

于 2024-04-04 16:38:12 发布
阅读量2.3k 收藏 35
点赞数 42
分类专栏： YOLOv8 文章标签： YOLO python 目标检测 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Sareur_1879/article/details/137376706
版权

一、概述

记录时间 [2024-4-4]


本文讲述的是在Windows系统（Python+PyTorch+Conda+cpu）中YOLOv8模型的简单应用。这里附带上YOLOv8官方文档，里面记载了详细的使用方法，如果觉得看文档比较麻烦的话，可以直接看文章，需要用到的部分已经在文章中进行了摘录。


经过了前几次的尝试，我们不仅能使用CLI的方式运行yolov8n.pt模型，对图像和视频进行目标识别，并得到结果。
参考文章：YOLOv8模型的简单测试，Windows环境下安装部署（Python+PyTorch+Conda+cpu+CLI）


也可以在PyCharm集成开发环境中编写简单的python文件，以python的方式对YOLOv8模型进行简单的测试。
参考文章：YOLOv8模型的简单测试2，PyCharm集成开发环境安装使用（Windows+Python+PyTorch+Conda+cpu）


同时也了解了在Python中使用Flask封装网络接口的方法，能实现文件的上传。
参考文章：API接口简单使用（二）：Python中使用Flask（接口封装整理版，含文件上传接口的详细实现）


接下来，本文将介绍在Python中将YOLOv8模型封装成API接口使用的方法，然后通过调用封装好的API接口，我们可以上传自定义的测试图片，并返回识别结果。识别结果有两种：一种是完成识别后的图片；另一种是识别目标的类型，以及它们在图片中的坐标、大小，以文本形式返回。


二、思路整理


想要实现在Python中将YOLOv8模型封装成API接口使用，首先整理下思路：

  • （服务端）使用Flask框架编写一个简单的测试实例，可以实现文件上传
  • （客户端）通过API接口，以文件形式上传自定义的测试图片
  • （服务端）获取图片名称和类型，然后保存到指定路径
  • （服务端）下载并使用YOLOv8模型进行图片预测/识别
  • （服务端）保存图片目标识别的结果
  • （服务端）返回目标识别的结果
  • （客户端）得到服务端返回的识别结果

三、过程实现

此处主要讲述这个案例的实现过程，想要直接上手的朋友可以在文章下半部分获取详细完整版的测试代码哦。


1. 编写测试实例

（服务端）使用Flask框架编写一个简单的测试实例，可以实现文件上传


简单了解


简单的测试实例如下：

from flask import Flask, request

app = Flask(__name__)

@app.route('/...')
def hanshu():
    # 这里是写接口函数的地方

if __name__ == '__main__':
    app.run()

文件上传功能的网络接口参考这个：（简单看一下即可）

@app.post('/upload')
def upload():

    # 文件作为参数传递，其 id为 file
    # 如果没有接收到这个请求，返回 No file part
    if 'file' not in request.files:
        return "No file part"

    # 获取上传的文件
    file = request.files['file']

    # 获取文件名
    if file.filename == '':
        return "No selected file"

    # file_format 获取文件类型，并返回
    if file:
        filename = file.filename
        file_format = filename.rsplit('.', 1)[1]
        return "File format is: " + file_format.upper()

创建测试文件


然后，开始动手操作。

使用PyCharm打开我们之前从仓库下载的YOLOv8项目ultralytics-main，找到tests目录，在该目录下新建image_test.py文件。


导入依赖


导入YOLOv8项目运行所需的依赖和配置：

# Ultralytics YOLO 🚀, AGPL-3.0 license

import contextlib
from copy import copy
from pathlib import Path

import cv2
import numpy as np
import pytest
import torch
import yaml
from PIL import Image
from torchvision.transforms import ToTensor

from ultralytics import RTDETR, YOLO
from ultralytics.cfg import TASK2DATA
from ultralytics.data.build import load_inference_source
from ultralytics.utils import (
    ASSETS,
    DEFAULT_CFG,
    DEFAULT_CFG_PATH,
    LINUX,
    MACOS,
    ONLINE,
    ROOT,
    WEIGHTS_DIR,
    WINDOWS,
    Retry,
    checks,
    is_dir_writeable,
)
from ultralytics.utils.downloads import download
from ultralytics.utils.torch_utils import TORCH_1_9, TORCH_1_13

MODEL = WEIGHTS_DIR / "path with spaces" / "yolov8n.pt"  # test spaces in path
CFG = "yolov8n.yaml"
SOURCE = ASSETS / "bus.jpg"
TMP = (ROOT / "../tests/tmp").resolve()  # temp directory for test files
IS_TMP_WRITEABLE = is_dir_writeable(TMP)

导入Flask框架使用所需依赖：（如果Flask依赖报错，说明没有导入成功，重新导入一下即可。）

from flask import Flask, request, send_file

编写文件上传接口


app = Flask(__name__)

@app.post('/image')
def return_image():
    return "Succeed"


if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001)

大家可以自行测试下这个接口可不可用，后面我们在return_image()函数中编写内容。


创建上传目录


在ultralytics-main/tests/tmp/目录下新建upload文件夹，用来存放我们上传的文件。


2. 上传测试图片

（客户端）通过API接口，以文件形式上传自定义的测试图片


这里简单写一个HTML文件用于测试即可：

<html>

<head>
	<title>文件上传</title>

</head>

<body>
    
    <!--action中写入请求的URL-->
    <!--method中写入请求的方法，如 get/post...-->
    
	<form action="http://127.0.0.1:5001/image" method="post" enctype="multipart/form-data">
	
		<input type="file" name="file">
		<input type="submit" value="上传">
	
	</form>

</body>

</html>

3. 获取图片信息并保存

（服务端）获取图片名称和类型，然后保存到指定路径


在return_image()函数中编写内容：

# 1. 获取上传的图片资源

# 文件作为参数传递，其 id为 file
# 如果没有接收到这个请求，返回 No file part
if 'file' not in request.files:
    return "No file part"

# 获取图片文件
file = request.files['file']

# 获取文件名
if file.filename == '':
    return "No selected file"

filename = file.filename

# 2. 保存到指定位置
file.save(TMP / 'upload' / filename)

4. 进行图片预测

（服务端）下载并使用YOLOv8模型进行图片预测/识别


在return_image()函数中编写内容：

# 3. 使用 YOLOv8模型对该图片进行预测
model = YOLO(MODEL)

# Define path to the image file
source = TMP / 'upload' / filename

# 具体要在 predict中添加一些参数
model.predict(source)

5. 保存图片目标识别的结果

（服务端）保存图片目标识别的结果


图片结果


我们要保存识别后的图片结果，主要使用的参数是save，我们设置save=True即可。

# 4. 保存结果
results = model.predict(source, save=True, imgsz=320, conf=0.5)

文本结果


如果要保存识别目标的类型，以及它们在图片中的坐标、大小，以文本形式返回

则使用参数save_txt，设置为True：

results = model.predict(source, save_txt=True)

结果会以txt文件的形式保存在tests\tmp\runs\detect\predict[i]\labels目录下。


6. 返回目标识别的结果

（服务端）返回目标识别的结果


图片结果


send_file(image_path)是直接将返回的结果在浏览器中进行预览，

如果想要下载图片，就添加as_attachment=True参数。

# 获取文件保存的路径
save_path = Path(results[0].save_dir)
image_path = save_path / filename

# 5. 返回结果
return send_file(image_path)
# 下载版
return send_file(image_path, as_attachment=True)

文本结果


想要获取识别目标的类型，以及它们在图片中的坐标、大小的信息，

我们需要读取tests\tmp\runs\detect\predict[i]\labels目录中的txt文件

# 获取文件保存的路径
save_path = Path(results[0].save_dir)

# 获取label标签文件
for r in results:
    im_name = Path(r.path).stem
    labels = save_path / f"labels/{im_name}.txt"

# 读取标签文件中的内容
txt_file = labels
with open(txt_file, 'r') as file:
    content = file.read()

# 返回结果
return content

7. 得到返回结果

（客户端）得到服务端返回的识别结果


图片结果


我们可以用上面写的HTML文件来进行测试，双击运行，选择文件，然后上传即可。

这里为了呈现结果更加直观，所以使用了Postman来测试，如图所示。


注意：测试图片素材来源于网络，仅用于测试演示。

在这里插入图片描述


文本结果


如图所示，返回识别目标的类型，以及它们在图片中的坐标、大小等信息。

在这里插入图片描述


下面对YOLOv8标签文件label中的内容进行解释：

  • 如图，在项目中打开一个模型训练文件进行查看
  • 以第一行标签为例，首个数字5代表的是names中的第五类，即bus
  • 后面的四个参数分别是bus在图片中的纵横坐标，以及它的长宽
  • 通过这些参数，我们就可以确定识别目标的类型，以及它在图片中的位置啦

在这里插入图片描述


四、详细完整版测试代码


1. 得到图片目标版本


image_test.py

# Ultralytics YOLO 🚀, AGPL-3.0 license

import contextlib
from copy import copy
from pathlib import Path

import cv2
import numpy as np
import pytest
import torch
import yaml
from PIL import Image
from torchvision.transforms import ToTensor

from ultralytics import RTDETR, YOLO
from ultralytics.cfg import TASK2DATA
from ultralytics.data.build import load_inference_source
from ultralytics.utils import (
    ASSETS,
    DEFAULT_CFG,
    DEFAULT_CFG_PATH,
    LINUX,
    MACOS,
    ONLINE,
    ROOT,
    WEIGHTS_DIR,
    WINDOWS,
    Retry,
    checks,
    is_dir_writeable,
)
from ultralytics.utils.downloads import download
from ultralytics.utils.torch_utils import TORCH_1_9, TORCH_1_13

from flask import Flask, request, send_file

MODEL = WEIGHTS_DIR / "path with spaces" / "yolov8n.pt"  # test spaces in path
CFG = "yolov8n.yaml"
SOURCE = ASSETS / "bus.jpg"
TMP = (ROOT / "../tests/tmp").resolve()  # temp directory for test files
IS_TMP_WRITEABLE = is_dir_writeable(TMP)

app = Flask(__name__)

@app.post('/image')
def return_image():
    # 1. 获取上传的图片资源

    # 文件作为参数传递，其 id为 file
    # 如果没有接收到这个请求，返回 No file part
    if 'file' not in request.files:
        return "No file part"

    # 获取图片文件
    file = request.files['file']

    # 获取文件名
    if file.filename == '':
        return "No selected file"

    filename = file.filename

    # 2. 保存到指定位置
    file.save(TMP / 'upload' / filename)

    # 3. 使用 YOLOv8模型对该图片进行预测
    model = YOLO(MODEL)

    # Define path to the image file
    source = TMP / 'upload' / filename

    # 4. 保存结果
    results = model.predict(source, save=True, imgsz=320, conf=0.5)

    # 获取文件保存的路径
    save_path = Path(results[0].save_dir)
    image_path = save_path / filename

    # 5. 返回结果
    return send_file(image_path)

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001)

2. 得到文本参数版本


text_test.py

# Ultralytics YOLO 🚀, AGPL-3.0 license

import contextlib
from copy import copy
from pathlib import Path

import cv2
import numpy as np
import pytest
import torch
import yaml
from PIL import Image
from torchvision.transforms import ToTensor

from ultralytics import RTDETR, YOLO
from ultralytics.cfg import TASK2DATA
from ultralytics.data.build import load_inference_source
from ultralytics.utils import (
    ASSETS,
    DEFAULT_CFG,
    DEFAULT_CFG_PATH,
    LINUX,
    MACOS,
    ONLINE,
    ROOT,
    WEIGHTS_DIR,
    WINDOWS,
    Retry,
    checks,
    is_dir_writeable,
)
from ultralytics.utils.downloads import download
from ultralytics.utils.torch_utils import TORCH_1_9, TORCH_1_13

from flask import Flask, request, send_file

MODEL = WEIGHTS_DIR / "path with spaces" / "yolov8n.pt"  # test spaces in path
CFG = "yolov8n.yaml"
SOURCE = ASSETS / "bus.jpg"
TMP = (ROOT / "../tests/tmp").resolve()  # temp directory for test files
IS_TMP_WRITEABLE = is_dir_writeable(TMP)

app = Flask(__name__)

@app.post('/text')
def return_text():
    # 1. 获取上传的图片资源

    # 文件作为参数传递，其 id为 file
    # 如果没有接收到这个请求，返回 No file part
    if 'file' not in request.files:
        return "No file part"

    # 获取图片文件
    file = request.files['file']

    # 获取文件名
    if file.filename == '':
        return "No selected file"

    filename = file.filename

    # 2. 保存到指定位置
    file.save(TMP / 'upload' / filename)

    # 3. 使用 YOLOv8模型对该图片进行预测
    model = YOLO(MODEL)

    # Define path to the image file
    source = TMP / 'upload' / filename

    # 4. 保存结果
    results = model.predict(source, save_txt=True)

    # 获取文件保存的路径
    save_path = Path(results[0].save_dir)

    # 获取label标签文件
    for r in results:
        im_name = Path(r.path).stem
        labels = save_path / f"labels/{im_name}.txt"

    # 读取标签文件中的内容
    txt_file = labels
    with open(txt_file, 'r') as file:
        content = file.read()

    # 5. 返回结果
    return content

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001)

五、总结


本文在Python中将YOLOv8模型封装成API接口进行使用，通过调用封装好的API接口来实现自定义测试图片的上传，并返回识别结果。识别结果有两种：一种是完成识别后的图片；另一种是识别目标的类型，以及它们在图片中的坐标、大小，以文本形式返回。


一些参考资料

YOLOv8官方文档：https://docs.ultralytics.com/zh/

YOLOv8模型仓库地址：https://github.com/ultralytics/ultralytics

PyCharm官网：https://www.jetbrains.com/pycharm/download/?section=windows

蟾宫曲
关注
  • 42
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
C#语言对 YOLOv4 目标检测算法封装
03-26
借鉴大神代码 写了个dome采用C#语言对 YOLOv4 目标检测算法封装，将模型在实际应用系统中落地，实现模型在线远程调用 。希望对大家有所帮助
YOLOv8-火焰识别（火焰数据集+代码+GUI界面+内置训练好的模型文件）
11-15
4、内置训练好的模型文件：为了让用户能够即刻使用该工具，我提供了一个已经在火焰数据集上训练好的YOLOv8模型。这个模型经过精心训练，具有高精度和良好的泛化能力。 此外，我还提供了详细的安装和使用指南，帮助您...
搞定系列：yolov7目标检测封装成类调用
04-02
本课程主要核心是将yolov7框架封装成一个类，方便调用或者集成开发以及集成部署。通过本课程您将收获一下知识：（1）了解yolov7框架检测基本流程；（2）掌握目标检测封装类大体思路；（3）学会yolov7封装函数以测试；（4）学会利用封装类模块，进行API调用。本课程优点：（1）去掉课程无关的讲解，直击课程核心出发点，避免花费更多时间学习自己已经掌握知识，而着重掌握封装本质上来；（2）提供代码讲解和API示例，让同学们更快获取本课程核心内容；（3）课程简洁，重点课程重点讲解。学习本课程之前您需要准备的是（本课程不提供讲解）：（1）您需要提前搭建好自己yolov7环境，建议使用Anaconda3搭建；（2）您需要保证自己的环境正常运行，比如可以预测图片或者视频（3）您需要准备官方提供模型或者自己训练的模型本课程环境为windows10，您也可以在linux上操作，但需要一个带一块英伟达显卡。
搞定系列：yolov8目标检测封装成类调用
03-28
本课程主要核心是将yolov8框架封装成一个类，方便调用或者集成开发以及集成部署。通过本课程您将收获一下知识：（1）了解yolov8框架检测基本流程；（2）掌握目标检测封装类大体思路；（3）学会yolov8封装函数以测试；（4）学会利用封装类模块，进行API调用。本课程优点：（1）去掉课程无关的讲解，直击课程核心出发点，避免花费更多时间学习自己已经掌握知识，而着重掌握封装本质上来；（2）提供代码讲解和API示例，让同学们更快获取本课程核心内容；（3）课程简洁，重点课程重点讲解。学习本课程之前您需要准备的是（本课程不提供讲解）：（1）您需要提前搭建好自己yolov8环境，建议使用Anaconda3搭建,建议版本ultralytics>=8.0.54；（2）您需要保证自己的环境正常运行，比如可以预测图片或者视频（3）您需要准备官方提供模型或者自己训练的模型本课程环境为windows10，您也可以在linux上操作，但需要一个带一块英伟达显卡。
搞定系列:yolov5目标检测封装成类调用
12-01
本课程主要教会大家如何将yolov5调用模型detect.py代码抽取出来封装成一个类别，然后我们通过简单几句调用就可以实现yolov5检测目标，这样我们会很方便将yolov5框架集成到其他模块中，比如我们搭建pyqt5做界面，然后用这个封装的类进行检测，以及后续科研任务等十分方便我们的二次开发和使用。
使用免费 FlaskAPI 部署 YOLOv8
Warmer_Sweeter
11-01 1256
目标检测和实例分割是计算机视觉中关键的任务，使计算机能够在图像和视频中识别和定位物体。YOLOv8是一种先进的、实时的目标检测系统，因其速度和准确性而备受欢迎。Flask是一个轻量级的Python Web框架，简化了Web应用程序的开发。通过结合Flask和YOLOv8，我们可以创建一个易于使用、灵活的目标检测任务API。在这篇文章中，我将向您展示如何仅使用Flask API部署YOLOv8目标检...
python yolov5 识别车牌 使用 YOLOv5 模型对指定的图像进行车牌识别，并输出识别结果
06-03
YOLOv5 是一种基于深度学习的目标检测算法，可以用于识别图像中的各种物体，包括车牌。通过训练模型，YOLOv5 可以在图像中准确地定位车牌，并输出车牌的...使用 YOLOv5 模型对指定的图像进行车牌识别，并输出识别结果。
java 调用 python yolo onnx 模型 AI 视频 识别 支持 yolov5 yolov8 yolov7源代码
03-07
Java可以通过调用Python的YOLO ONNX模型实现AI视频识别，支持YOLOv5、YOLOv8和YOLOv7，这包括了预处理和后处理步骤。在Java中实现目标检测和目标识别，可以集成实时流传输协议（RTSP）和实时多媒体传输协议（RTMP）...
yolov8实例分割 ： 通过 txt 的轮廓坐标，生成mask图
08-30
yolov8实例分割 ： 通过 txt 的轮廓坐标，生成mask图
基于 YOLOv8 和 LPRNet 的车牌识别系统python源码+模型.zip
最新发布
04-11
基于 YOLOv8 和 LPRNet 的车牌识别系统python源码+模型.zip 基于 YOLOv8 和 LPRNet 的车牌识别系统python源码+模型.zip 基于 YOLOv8 和 LPRNet 的车牌识别系统python源码+模型.zip 基于 YOLOv8 和 LPRNet 的车牌识别...
8.5.tensorRT高级(3)封装系列-基于生产者消费者实现的yolov5封装
周同学的博客
08-20 646
8.5.tensorRT高级(3)封装系列-基于生产者消费者实现的yolov5封装
爆改YOLOV7的detect.py制作成API接口供其他python程序调用（超低延时）
Leon的博客
07-27 9798
YOLO系列框架凭借其超高的运行流畅度和不俗的准确率，一直被广泛地应用到各个领域。刚刚推出不久的YOLOV7在5FPS到160FPS范围内的速度和精度达到了新的高度，并在GPUV100上具有30FPS或更高的所有已知实时目标检测器中具有最高的精度56.8%AP。作为目标检测领域的一种框架，YOLOV7能在超低延时的情况下，还能把准确率提升一个层次，效果相当惊人。............
实现YOLOv5封装成函数以供其他程序进行调用
MMMMMMNONG的博客
09-19 904
将YOLOv5封装成一个函数，只用两行代码实现调用。可实现在树莓派/NVIDIA Jetson进行迅速部署。
yolov5部署之dll封装并调用的方法
Christo的博客
04-01 2万+
文章目录前言1. VS2015新建一个dll项目 前言 前面讲过yolov5的环境配置，源码测试，以及使用TensorRT进行推理加速，但是有时候为了让模型部署在移动端，需要将模型封装成一个动态链接库dll，从而再任意的移动端无需配置环境即可运行，并且通过读取dll方便软件的其他模块进行调用。 1. VS2015新建一个dll项目 ......
Ubuntu安装yolov8并使用yolov8进行目标检测
2301_80311277的博客
11-25 324
可以查看python是否占用GPU中，以及GPU使用了多少。在这里我用的是CUDA10.0和cudnn7.6.5。的镜像源不是太好，如果有同样的问题可以换一个镜像源。一定要版本匹配，也要和驱动的版本匹配。三、配置conda并安装yolov8。如果跑不动，中间显示“已杀死”如果满了可以增加交换空间，详见。写完代码后在终端输入。
三天从YOLOV8关键点检测入门到实战（第二天）——用python调用YOLOV8预测图片并解析结果
chenyuan1111的博客
10-10 2650
本节所用是调用yolov8的函数完成预测，并使用python解析预测结果，并绘制预测结果。
yolov5 python API（供其他程序调用）
热门推荐
微光feng的博客
02-03 2万+
你的yolov5????是否只局限于detect.py？如果其他程序要调用yolov5，就需要制作一个detect.py的python API。python无处不对象，制作detect API实际上就是制作detect类。
用python调用YOLOV8预测视频并解析结果----错误解决
qq_51111147的博客
01-10 1536
123。
已经有yolov8的.pt文件，想要用一张图片测试识别效果，怎么用python代码实现
05-31
可以使用PyTorch框架中的torchvision库来实现图片测试识别效果。具体步骤如下： 1. 导入相关库 ```python import torch import torchvision.transforms as transforms from PIL import Image ``` 2. 定义模型 ```python model = torch.hub.load('ultralytics/yolov5', 'custom', path_or_model='path/to/weights.pt', source='local') ``` 其中，`path/to/weights.pt` 是你的 yolov8 的 .pt 文件路径。 3. 转换图片格式 ```python img = Image.open('path/to/image.jpg') img = transforms.ToTensor()(img) ``` 其中，`path/to/image.jpg` 是你要测试的图片路径。 4. 进行识别 ```python results = model([img]) ``` 5. 查看结果 ```python print(results.pandas().xyxy[0]) ``` 其中，`results.pandas().xyxy[0]` 打印出的是识别出来的目标的位置和类别信息。 注意，这里使用的是 yolov5 的代码，如果你使用的是 yolov8 的代码，需要进行相应的修改。同时，还需要根据你的模型的输入和输出格式进行调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值