使用Flask部署ppocr模型_3

山山而川_R

已于 2024-04-16 15:41:02 修改

阅读量659

点赞数 4

分类专栏： PaddleOCR 文章标签： flask python 后端 ocr

于 2024-04-15 16:51:01 首次发布

本文链接：https://blog.csdn.net/m0_60657960/article/details/137784726

版权

PaddleOCR 专栏收录该内容

7 篇文章 2 订阅

订阅专栏

PaddleOCR环境搭建、模型训练、推理、部署全流程（Ubuntu系统）_1_paddle 多进程推理-CSDN博客

PP-Structure 文档分析-CSDN博客

Pycharm的Terminal进入创建好的虚拟环境

有时候Pycharm的terminal中显示的是硬盘中的项目路径，但没有进入创建好的虚拟环境

这时候，在Pycharm>File>Tools>Terminal中切换powershell.exe为cmd.exe

接前两篇继续完成Flask部署

一、使用Flask部署ppocr模型

GET方法用于从服务器获取资源，即客户端向服务器请求数据。POST方法用于向服务器提交数据，即客户端向服务器发送数据。

服务器：一般是指 http://127.0.0.1:5000
客户端：一般是指网页

点击提交按钮，会触发flask的post请求

目录结构

'static/images' 文件夹用来存放上传过来的图片

‘templates’文件夹下的两个html文件定义显示页面

templates这个文件在里面的作用：

在Flask框架中，templates文件夹是一个特定的目录，用于存放Web应用的HTML模板文件。这些模板文件使用Jinja2模板语言编写，允许开发者将动态内容（如从数据库获取的数据、用户输入、计算结果等）与静态HTML结构相结合，生成最终发送给客户端的HTML响应。

作用与特性：

分离视图与逻辑：
- templates文件夹中的模板文件专注于呈现用户界面（UI），即HTML结构和样式。这使得视图层（UI设计）与业务逻辑（Python代码）得以分离，提高了代码的可维护性和复用性。
动态内容填充：
- 在模板文件中，可以使用Jinja2语法插入变量、控制结构（如条件语句、循环）、过滤器（对数据进行格式化）等。当Flask收到请求并渲染模板时，会将Python代码中传递的上下文数据（字典对象）与模板中的占位符匹配，动态生成包含具体数据的HTML页面。
继承与宏：
- templates文件夹中的模板可以互相继承，实现布局的复用。一个基础模板（如base.html）可以定义网站的通用结构（如头部、导航栏、页脚等），其他具体的页面模板（如index.html、profile.html等）则继承基础模板，并在其内部填充特定的内容区域。此外，Jinja2还支持定义和使用宏（类似于函数），封装重复使用的HTML片段。
组织结构：
- templates文件夹通常按照应用的结构进行组织，例如创建子目录来存放不同模块或蓝本（Blueprint）对应的模板。这种结构化方式有助于保持项目整洁，便于查找和管理相关模板。

工作流程：

路由定义：
- 在Flask应用中，通过@app.route装饰器定义路由，如@app.route('/')表示处理根URL（http://example.com/）的请求。
视图函数：
- 对应路由的视图函数（如def index():）负责处理HTTP请求，执行必要的业务逻辑，并准备要传递给模板的数据（通常以字典形式）。
渲染模板：
- 视图函数调用render_template()函数，传入模板文件名（如'index.html'）和上下文数据。Flask自动在templates文件夹中查找指定的模板，并使用Jinja2引擎渲染模板，将动态数据填充到相应的位置。
响应生成：
- 渲染后的HTML字符串作为HTTP响应的主体，发送回客户端（如浏览器），用户最终看到的就是根据模板动态生成的网页。

总之，templates文件夹在Flask应用中起着至关重要的作用，它承载了Web应用的用户界面设计，并通过Jinja2模板语言与应用的业务逻辑紧密协作，共同构建出丰富的动态Web页面

服务器程序——载入模型，命名app.py

import numpy as np
from flask import Flask, request, jsonify, render_template
import pickle
 
app = Flask(__name__)
model = pickle.load(open('model.pkl','rb'))
 
@app.route('/')
def home():
    return render_template('page.html')
 
@app.route('/predict', methods=['POST'])
def predict():
    features_list = [float(x) for x in request.form.values()]
    features = np.array(features_list).reshape(1,-1)
    predict_outcome_list = model.predict(features)
    predict_outcome = round(predict_outcome_list[0],2)
 
    return render_template('page.html',prediction_display_area='预测价格为：{}'.format(predict_outcome))
 
if __name__ == "__main__":
    app.run(port=80,debug = True)

部署PaddleOCR（PP-OCR）模型到Flask应用中，通常包括以下几个步骤：

1、环境准备与模型获取：

安装依赖：确保已经安装了Flask，以及PaddlePaddle（PaddleOCR的依赖库）

下载模型：

（继续前两篇所以模型和环境不在重复）

2、创建Flask应用：

初始化Flask app：编写Python脚本，创建一个新的Flask应用实例。

from flask import Flask, request, jsonify

app = Flask(__name__)

定义路由与处理函数：创建一个路由（如/predict），并编写对应的处理函数，该函数接收HTTP请求中的图像数据，调用PaddleOCR进行识别，并返回识别结果。

@app.route('/predict', methods=['POST'])
def ocr_predict():
    # 获取请求中的图像数据
    image_data = request.files.get('image')
    # 使用PaddleOCR进行识别
    result = ocr_api(image_data)
    # 返回JSON格式的结果
    return jsonify(result)

3、加载与封装PaddleOCR：

加载模型：在Flask应用中，使用PaddleOCR提供的API加载模型。指定模型路径和所需配置

from paddleocr import PaddleOCR

ocr = PaddleOCR(model_path='path/to/model', config_path='path/to/config.json')

封装识别接口：创建一个名为ocr_api的函数，接受图像数据作为输入，使用加载的OCR对象进行识别，并处理返回结果。可能需要对图像数据进行预处理（如解码、缩放），然后调用OCR的ocr方法。

def ocr_api(image_data):
    img_bytes = image_data.read()
    img = cv2.imdecode(np.frombuffer(img_bytes, np.uint8), cv2.IMREAD_COLOR)
    results = ocr.ocr(img)
    # 对结果进行整理，例如提取文字和其坐标
    formatted_results = []
    for res in results:
        text, box, _ = res
        formatted_results.append({
            'text': text,
            'bbox': box.tolist()
        })
    return formatted_results

4、处理图像

根据Flask接收到的HTTP请求类型（如multipart/form-data），解析上传的图像数据。上述示例中，假设图像通过名为image的字段以文件形式上传

5、配置运行参数：

设置Flask应用的运行参数，如主机地址、端口、调试模式等。例如：

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

6、部署与测试：

启动Flask应用。在命令行中运行包含以上代码的Python脚本。
使用HTTP客户端（如Postman）或编写简单的HTML表单，向http://localhost:5001/predict发送POST请求，附带上要识别的图像文件。检查响应是否包含预期的OCR识别结果

代码：

# 环境ppocr/001

import os
import subprocess
import shutil
from flask import Flask, render_template, request, jsonify

app = Flask(__name__)


file = 'D:/GPT_1/ppocr_1/ppstructure/table/predict_table.py'
det_model = 'D:/GPT_1/ppocr_1/ppstructure/inference/ch_PP-OCRv3_det_infer'
rec_model = 'D:/GPT_1/ppocr_1/ppstructure/inference/ch_PP-OCRv3_rec_infer'
table_model = 'D:/GPT_1/ppocr_1/ppstructure/inference/ch_ppstructure_mobile_v2.0_SLANet_infer'
rec_dict = 'D:/GPT_1/ppocr_1/ppocr/utils/ppocr_keys_v1.txt'
table_dict = 'D:/GPT_1/ppocr_1/ppocr/utils/dict/table_structure_dict_ch.txt'
output = 'D:/GPT_1/ppocr_1/ppocrtable_Flask/static/output/table'


def allowed_file(filename):
    return '.' in filename and filename.rsplit('.', 1)[1] in set(['bmp', 'jpg', 'JPG', 'png', 'PNG'])


@app.route('/', methods=['GET'])
def index():
    return render_template('index.html')


@app.route('/Upload', methods=['POST', 'GET'])  # 添加路由
def classification():
    if request.method == 'POST':
        f = request.files['images']
        if not (f and allowed_file(f.filename)):
            return jsonify({"error": 1001, "msg": "only support image formats: .bmp .png .PNG .jpg .JPG"})

        basepath = os.path.dirname(__file__)  # 当前文件所在路径

        if os.path.exists('static/images/test.jpg'):
            os.remove('static/images/test.jpg')
            pass
        else:
            pass

        if os.path.exists('static/output/table'):
            shutil.rmtree('static/output/table')
            pass
        else:
            pass

        upload_path = os.path.join(basepath, 'static/images/test.jpg')  # 注意：没有的文件夹一定要先创建，不然会提示没有该路径
        f.save(upload_path)
        f_name = f.filename

        # image = cv2.imread(upload_path)
        # image = image.astype(np.float32)
        # image_array = np.array(image)
        # input_data = np.expand_dims(image_array, axis=-0)

        cmd = ['python',
               '{}'.format(file),
               '--det_model_dir={}'.format(det_model),
               '--rec_model_dir={}'.format(rec_model),
               '--table_model_dir={}'.format(table_model),
               '--rec_char_dict_path={}'.format(rec_dict),
               '--table_char_dict_path={}'.format(table_dict),
               '--image_dir={}'.format(upload_path),
               '--output={}'.format(output)]

        # 使用Popen创建进程，并与进程进行复杂的交互
        proc = subprocess.Popen(
            cmd,  # cmd特定的查询空间的命令
            stdin=None,  # 标准输入 键盘
            stdout=subprocess.PIPE,  # -1 标准输出（演示器、终端) 保存到管道中以便进行操作
            stderr=subprocess.PIPE,  # 标准错误，保存到管道# #
        )
        outinfo, errinfo = proc.communicate()  # 获取输出和错误信息
        print('----------')
        print(outinfo)
        print(errinfo)
        print('-------')

        return render_template('return.html', info=outinfo.decode('utf-8'), img_name=f_name,
                               file_loc=os.getcwd() + '\static\output\\table\show.html')

    return render_template('index.html')


if __name__ == '__main__':
    app.run(host="0.0.0.0", port=5000, debug=True)

代码详解：

# 环境ppocr/001

import os
import subprocess
import shutil
from flask import Flask, render_template, request, jsonify

app = Flask(__name__)

# 除了output外其它写成绝对路径
# inference里的是自己训练好或官方的推理模型
file = '/home/sxj/GPT_1/ppocr_1/ppstructure/table/predict_table.py'
det_model = '/home/sxj/GPT_1/ppocr_1/ppstructure/inference/ch_PP-OCRv3_det_infer'
rec_model = '/home/sxj/GPT_1/ppocr_1/ppstructure/inference/ch_PP-OCRv3_rec_infer'
table_model = '/home/sxj/GPT_1/ppocr_1/ppstructure/inference/ch_ppstructure_mobile_v2.0_SLANet_infer'
rec_dict = '/home/sxj/GPT_1/ppocr_1/ppocr/utils/ppocr_keys_v1.txt'
table_dict = '/home/sxj/GPT_1/ppocr_1/ppocr/utils/dict/table_structure_dict_ch.txt'
output = '/home/sxj/GPT_1/ppocr_1/ppocrtable_Flask/static/output/table'

# file: PaddleOCR表格预测脚本的路径。
# det_model, rec_model, table_model: 用于文本检测、文本识别和表格结构识别的模型文件路径。
# rec_dict, table_dict: 文本识别和表格结构识别所需的字符字典文件路径。
# output: 应用运行时生成的输出文件（如表格识别结果）的保存目录

def allowed_file(filename):
    return '.' in filename and filename.rsplit('.', 1)[1] in set(['bmp', 'jpg', 'JPG', 'png', 'PNG'])


@app.route('/', methods=['GET'])
def index():
    return render_template('index.html')

# 定义Flask路由，当访问应用根URL（http://localhost:5000/）时，调用index函数。该函数返回渲染后的index.html模板作为HTTP响应

@app.route('/Upload', methods=['POST', 'GET'])  # 添加路由
def classification():
    if request.method == 'POST':
        # 定义另一个Flask路由，当访问 / Upload
        # URL且请求方法为POST或GET时，调用classification函数。函数内部首先判断请求方法是否为POST，如果是，则执行上传图片和表格识别的逻辑；
        # 否则（即请求方法为GET时），返回渲染后的index.html模板。
        # 接下来是classification函数内部的POST请求处理逻辑：
        f = request.files['images']
        if not (f and allowed_file(f.filename)):
            return jsonify({"error": 1001, "msg": "only support image formats: .bmp .png .PNG .jpg .JPG"})

        # 从请求对象中获取上传的文件（假设表单字段名为images），并使用allowed_file函数检查文件格式。如果不满足条件，返回包含错误码和消息的JSON响应


        basepath = os.path.dirname(__file__)  # 当前文件所在路径

        if os.path.exists('static/images/test.jpg'):
            os.remove('static/images/test.jpg')
            pass
        else:
            pass

        if os.path.exists('static/output/table'):
            shutil.rmtree('static/output/table')
            pass
        else:
            pass
        # 获取当前文件（app.py）所在的路径，并在此基础上删除旧的测试图片和清理输出目录（如果存在）

        upload_path = os.path.join(basepath, 'static/images/test.jpg')  # 注意：没有的文件夹一定要先创建，不然会提示没有该路径
        f.save(upload_path)
        f_name = f.filename
        # 将上传的图片保存到指定路径，并记录文件名

        # image = cv2.imread(upload_path)
        # image = image.astype(np.float32)
        # image_array = np.array(image)
        # input_data = np.expand_dims(image_array, axis=-0)

        cmd = ['python',
               '{}'.format(file),
               '--det_model_dir={}'.format(det_model),
               '--rec_model_dir={}'.format(rec_model),
               '--table_model_dir={}'.format(table_model),
               '--rec_char_dict_path={}'.format(rec_dict),
               '--table_char_dict_path={}'.format(table_dict),
               '--image_dir={}'.format(upload_path),
               '--output={}'.format(output)]
        # --det_model_dir = {}: 同样使用format()方法插入变量值。这里插入的是det_model变量
        # 这是一个命令行选项，告诉表格预测脚本使用指定的检测模型。
        # 格式化后为 - -output = / home / sxj / GPT_1 / ppocr_1 / ppocrtable_Flask / static / output / table，告诉脚本将识别结果保存到此目录。
        # 构造用于执行表格预测脚本的命令行参数列表

        # 使用Popen创建进程，并与进程进行复杂的交互
        proc = subprocess.Popen(
            cmd,  # cmd特定的查询空间的命令
            stdin=None,  # 标准输入 键盘
            stdout=subprocess.PIPE,  # -1 标准输出（演示器、终端) 保存到管道中以便进行操作
            stderr=subprocess.PIPE,  # 标准错误，保存到管道# #
        )
        outinfo, errinfo = proc.communicate()  # 获取输出和错误信息
        print('----------')
        print(outinfo)
        print(errinfo)
        print('-------')
        # 使用subprocess.Popen创建子进程，执行表格预测脚本，并通过管道获取子进程的输出和错误信息。打印这些信息以辅助调试

        return render_template('return.html', info=outinfo.decode('utf-8'), img_name=f_name,
                               file_loc=os.getcwd() + '\static\output\\table\show.html')
    # 在子进程执行成功后，返回渲染后的return.html模板作为HTTP响应，其中包含表格识别结果（info）、上传图片的文件名（img_name）以及输出文件（show.html）的相对路径

    return render_template('index.html')


if __name__ == '__main__':
    app.run(host="0.0.0.0", port=5000, debug=True)
# 如果当前脚本作为主程序运行（而不是作为模块导入），则启动Flask应用。设置监听所有网络接口（host="0.0.0.0"）、监听端口为5000（port=5000），并开启调试模式（debug=True）

接下来做内网穿透部署

内网穿透部署的主要作用是使得内网中的服务能够被外部用户访问，从而扩大了服务的覆盖范围。具体来说，它有以下几方面的应用：

远程办公与灵活性提升：通过内网穿透，员工可以在任何地方安全地访问公司的内部资源，如文件共享、内部网站、数据库等，从而提高了工作的灵活性和效率。
远程开发与调试：对于开发人员而言，内网穿透可以使其将本地开发环境暴露给外部网络，方便团队成员或客户远程访问和测试应用程序，从而加快开发周期和提高协作效率。
设备远程管理与控制：通过内网穿透，用户可以远程访问和管理路由器、摄像头、网络存储等设备，实现远程管理和控制。
数据远程同步与安全性保障：一些企业由于安全考虑，不愿将数据库放到云服务器上。内网穿透可以将数据库放在办公室本地，然后通过特定的传输通道实现数据的远程同步和访问，既保证了安全又保证了公网的正常访问。
搭建局域网服务器服务：内网穿透使得用户可以搭建FTP服务器、Web服务器等，并提供外网访问功能。
其他应用：内网穿透还可以用于远程监控设备的运行状况、实现远程联机游戏、文件远程共享等。

总的来说，内网穿透部署通过技术手段将内网中的服务暴露给外部网络，不仅扩大了服务的覆盖范围，还提高了工作效率和便利性，为远程办公、家庭安防、开发测试等提供了方便的解决方案

参考：内网穿透（详细且免费）部署（现已推出新的源码搭建网站和云盘）_内网穿透服务器搭建-CSDN博客

参考：flask部署深度学习pytorch模型_flsak部署pytorch深度学习模型-CSDN博客