使用streamlit构建网站

1.目的

最近团队有一个人脸识别的项目，想做一个网站界面来演示，同时使用了花生壳进行内网穿透，使得可以在其他设备访问该界面。

2.算法部分

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import matplotlib as mpl
mpl.use('TkAgg')
import matplotlib.pyplot as plt
import cv2
import numpy as np
import tensorflow as tf
import sys
sys.path.append(r'D:\study\EmotionDetection_RealTime-master\model')
# from model.ResNextT import ResNeXt50
from keras.layers import Layer

from keras.layers import Add, Conv2D, MaxPooling2D, Flatten, Dense, Dropout, Multiply
from keras.models import Sequential
# 加载预训练的 VGG16 模型
class ECABlock(Layer):
    def __init__(self, k=3, gamma=2, t=2):
        super(ECABlock, self).__init__()
        self.k = k
        self.gamma = gamma
        self.t = t

    def build(self, input_shape):
        self.conv1 = Conv2D(self.k, (1, 1), activation='relu')
        self.conv2 = Conv2D(self.k, (1, 1), activation='relu')
        self.pool = MaxPooling2D(pool_size=(self.t, self.t))
        self.flatten = Flatten()
        self.dense1 = Dense(units=self.k//self.gamma, activation='relu')
        self.dense2 = Dense(units=self.k, activation='sigmoid')
        self.multiply = Multiply()

    def call(self, inputs):
        x = self.conv1(inputs)
        y = self.conv2(inputs)
        y = self.pool(y)
        y = self.flatten(y)
        y = self.dense1(y)
        y = self.dense2(y)
        y = self.multiply([x, y])
        return Add()([x, y])


model = Sequential()

model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(48,48,1)))
model.add(ECABlock(k=3, gamma=2, t=2))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2),strides=(2,2)))
model.add(Dropout(0.5))

model.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2),strides=(2,2)))
model.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2),strides=(2,2)))
model.add(Dropout(0.5))

model.add(Flatten())
model.add(Dense(1024, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(7, activation='softmax'))



# 图像情感分类函数
def predict_emotion(image_path):
    class_labels = ["Angry", "Disgusted",  "Fearful", "Happy",  "Neutral", "Sad",  "Surprised"]

    img = Image.open(image_path)
    # 将图片转换为灰度图像
    img_gray = img.convert('L')

    # 将灰度图像调整为目标尺寸(48, 48)
    img_resized = img_gray.resize((48, 48))

    # 将调整后的灰度图像转换为 NumPy 数组
    img_array = np.array(img_resized)

    # 将数组转换为形状为(1, 48, 48, 1)
    img_array = img_array.reshape((1, 48, 48, 1))





    predictions = model.predict(img_array)
    # 获取最大概率的类别索引
    predicted_class_index = np.argmax(predictions)

    # 获取对应的情感类别标签
    emotion = class_labels[predicted_class_index]

    return emotion

使用的resne50结合ECA注意力机制的模型，七分类任务。

3.网站部分

# Streamlit 应用程序
st.title('图像情感分类器')

uploaded_image = st.file_uploader("上传一张图片", type=['jpg', 'jpeg', 'png'])

if uploaded_image:
    image_path = 'temp_image.jpg'
    with open(image_path, 'wb') as f:
        f.write(uploaded_image.read())
    st.image(uploaded_image, caption='Uploaded Image', use_column_width=True)
    emotion = predict_emotion(image_path)
    st.write(f'该图片的情感类别为：{emotion}')

Streamlit 是一个用于构建数据应用程序的开源 Python 库。它使用户能够轻松创建具有交互性和可视化效果的 Web 应用程序，无需具备Web开发经验。使用Streamlit，您可以通过简单的Python脚本快速构建数据可视化、机器学习模型展示、数据分析工具等应用。

具体的命令，在终端（或者文件路径下）输入：

python -m streamlit run D:\study\EmotionDetection_RealTime-master\demo\01web.py

4.界面展示

终端在执行命令后，后输出构建的网站地址，同时会弹出构建的网站：

这个网站界面形式可以更改，对应的是3网站部分。具体功能是，点击上传按钮或者“Browse files”从电脑本地选择图片上传，经过短暂算法运行，会给出图片对应的情况类型。

 上传图片

输出结果 

5.内网穿透

这个网站地址是本地地址，只能通过本地电脑访问，其他设备无法访问，这里使用花生壳来实现内王穿透。

具体参考：

三步就能内网穿透实现远程办公？甚至还能搭建安全稳定的私有云盘？贝锐花生壳内网穿透评测 

花生壳内网穿透教程（图文并茂）