20190822-使用keras预训练模型进行图像识别并利用pyinstaller打包程序为server.exe且启动后在状态栏显示

最新推荐文章于 2024-05-06 14:26:33 发布

atlantistin

最新推荐文章于 2024-05-06 14:26:33 发布

阅读量818

点赞数

分类专栏：杂七杂八文章标签：打包 pyinstaller keras 服务托盘图标

本文链接：https://blog.csdn.net/atlantistin/article/details/100012744

版权

杂七杂八专栏收录该内容

6 篇文章 0 订阅

订阅专栏

1. 前言

目前深度学习相关应用的部署还达不到传统程序的方便，尤其一些老旧的桌面应用，如果要进行全部升级难免耗资巨大，因此能简单地将 python 完成程序能通过打包为服务，然后客户端仅需要添加基于 socket 的请求部分就可以非常方便地进行算法升级，不失为一种折中的办法。

2. 准备

2.1 预训练模型的使用

此处参考博文《keras 使用预训练模型 inception_v3 识别图片》不做太多叙述。

2.2 环境

h5py==2.9.0
html5lib==0.9999999
Keras==2.1.5
Markdown==3.1.1
numpy==1.15.3
Pillow==4.1.1
protobuf==3.9.1
PyInstaller==3.3
pywin32==224
PyYAML==5.1.2
requests==2.22.0
scipy==1.3.1
six==1.12.0
tensorflow==1.4.0
tensorflow-tensorboard==0.4.0
wxPython==4.0.6

里面需重点注意的是 keras, tensorflow, numpy, pillow 这几个包，有时版本对应不上容易报错，个人此前就遇到过 pillow 带来的问题，整个程序完成后能在命令行顺利使用，但打包过后的程序却总是不能正确处理图像路径，一开始还以为是打包过程中出了纰漏，但结果发现只需要将 pillow 的版本进行更正即可。

2.3 wxPython与系统托盘图标

此处参考了另一篇文章《Python 利用 wxPython 在系统托盘显示图标》，不方便贴外站链接，如果感兴趣可以搜到。

3. 服务端server.py

3. 1 代码

from keras.applications.inception_v3 import InceptionV3
from PIL import Image
import numpy as np
import time
import json
import os
import wx
import wx.adv
import threading
import socketserver
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'


# Handler
class Handler(socketserver.BaseRequestHandler):
    def handle(self):
        # 创建连接
        address, port = self.client_address
        servlocaltime = time.asctime(time.localtime(time.time()))
        print("\n时间 {0} 成功创建新连接 {1}: {2} ...".format(servlocaltime, address, port))
        # 预测处理
        while True:
            try:  # 捕获客户端的意外退出
                imgpath = self.request.recv(1024).decode().strip()
                try:  # 捕获错误路径输入
                    input_X = np.expand_dims(np.array(Image.open(imgpath).resize((299, 299))), axis=0) / 255.0
                except Exception as e:
                    message = "IMGPathError: " + str(e)
                    self.request.send(message.encode())
                    continue
                ys = model.predict(input_X)
                top_3 = [(classes[str(i)], ys.flatten()[i]) for i in ys.flatten().argsort()[-1:-4:-1]]
                self.request.send(str(top_3).encode())
            except:
                self.request.close()
        
            
# TaskBarIcon
class MyTaskBarIcon(wx.adv.TaskBarIcon):
    def __init__(self):
        self.ICON = "./data/taiji.ico"  # 图标地址
        self.ID_ABOUT = wx.NewId()  # 菜单选项"关于"的ID
        self.ID_EXIT = wx.NewId()  # 菜单选项"退出"的ID
        self.TITLE = "Inception_V3_Classify_Server"  # 鼠标移动到图标上显示的文字
        wx.adv.TaskBarIcon.__init__(self)
        self.SetIcon(wx.Icon(self.ICON), self.TITLE)  # 设置图标和标题
        self.Bind(wx.EVT_MENU, self.onAbout, id=self.ID_ABOUT)  # 绑定"关于"选项的点击事件
        self.Bind(wx.EVT_MENU, self.onExit, id=self.ID_EXIT)  # 绑定"退出"选项的点击事件
        
    # 选项"关于"的事件处理器
    def onAbout(self, event):
        wx.MessageBox("我是谁!\n我来自哪!\n我要到哪去!", "关于")
        
    # 选项"退出"的事件处理器
    def onExit(self, event):
        self.Destroy()  # 自我摧毁
        wx.Exit()
        os._exit(0)
        
    # 创建菜单选项
    def CreatePopupMenu(self):
        menu = wx.Menu()
        for mentAttr in self.getMenuAttrs():
            menu.Append(mentAttr[1], mentAttr[0])
        return menu
        
    # 获取菜单属性
    def getMenuAttrs(self):
        return [('关于', self.ID_ABOUT), ('退出', self.ID_EXIT)]
     
     
# Frame
class MyFrame(wx.Frame):
    def __init__(self):
        wx.Frame.__init__(self)
        MyTaskBarIcon()  # 显示系统托盘图标
        threading_server = threading.Thread(target=server.serve_forever)
        threading_server.start()            


# App
class MyApp(wx.App):
    def OnInit(self):
        MyFrame()
        return True
    
     
# main
if __name__ == "__main__":
    # 模型加载
    model = InceptionV3()
    with open("./data/imagenet_class_index.json") as fr:
        classes = json.load(fr)
    model.predict(np.expand_dims(np.zeros((299, 299, 3), dtype="u1"), axis=0) / 255.0)
    # 创建服务
    IP, PORT = "127.0.0.1", 8888
    print("服务器地址%s:%s." % (IP, PORT))
    server = socketserver.ThreadingTCPServer((IP, PORT), Handler)
    app = MyApp()
    app.MainLoop()

为了实现高并发需求，直接使用了 socketserver 库，比较方便；
模型加载成功后即进行一次 predict 调用可以即可能避免出错，且完成一次加载后不会再出现首次请求耗费大量时间，如果想调用自己的一个或多个模型可安排规划外部模块，在外部模块的初始化函数中完成模型自身的加载和首次推理；
此处使用了本地 IP 和 8888 端口，可根据需要进行变更；
注意所用的图标，地址对应过去应当有 *.ico 文件。

## 4. 客户端

4.1 代码

import socket


# 客户端
def cc():
    HOST, PORT = '127.0.0.1', 8888
    socketclient = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
    socketclient.connect((HOST, PORT))
    while True:
        try:
            reques = input("请输入图像路径: ")
            if reques == "q":
                break
            socketclient.send(reques.encode())
            result = socketclient.recv(1024).decode()
            print(result)
        except:
            pass


if __name__ == "__main__":
     cc()

同样利用 socket 进行通信，通过在客户端传入正确的图像路径就可以返回推理的结果。此处直接使用了一般的字符串，但在实际应用过程中可能面临各种参数的调整，可以设计使用 json 字符串作为接口。

5. 演示

在这里插入图片描述

可以看到当运行启动 server.py 后会在托盘处显示我们预定义好的图标。

6. 打包

打包工具用 pyinstaller，网上有很多教程可以搜索到；
对打包后的 server.exe 不希望再看到黑框可以通过打包参数进行控制，则启动后只有托盘图标驻留，但可能希望得到运行日志，通过使用 logging 包即可达到此需求；
不少人有探讨打包后的应用过大问题，本文 server.py 的打包结果大约在 200 M，有试过一些网友的方法例如逐个注释并排查某个包的占用问题，当然还有建虚拟环境避免 Anaconda 依赖繁复导致的污染，不过最后发现主要是 numpy 占用高，还有的建议尽量用 from ... import ... 代替 import ... 来减少占用量，但似乎对 numpy 不管用，且其它科学计算库如 pandas、以及 tensorflow 等貌似都有调用到，所以哪位朋友还有新的好方法一定说出来帮帮大家。^_

7. 附注

文中代码已上传至：https://github.com/atlantistin/Blogs/tree/master/20190821-pyinstaller-dl

atlantistin

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
20190822-使用keras预训练模型进行图像识别并利用pyinstaller打包程序为server.exe且启动后在状态栏显示

1. 前言目前深度学习相关应用的部署还达不到传统程序的方便，尤其一些老旧的桌面应用，如果要进行全部升级难免耗资巨大，因此能简单地将 python 完成程序能通过打包为服务，然后客户端仅需要添加基于 socket 的请求部分就可以非常方便地进行算法升级，不失为一种折中的办法。2. 准备2.1 预训练模型的使用此处参考博文《keras 使用预训练模型 inception_v3 识别图片》不做...
复制链接

扫一扫