项目实训中遇到的主要难点包括前端图片以base64格式传递给后端、饮食识别算法的快速推理以及算法在Flask接口中的高效集成。前端因安全原因无法直接获取图片地址，故转为base64格式提交。后端利用Python库处理并用深度学习模型进行图像识别，优化推理速度。最后，通过Flask接口，预先加载模型，确保接收到图片后能迅速处理并返回预测结果。
项目难点总结
难点一
前端上传图片给后端时，传输的数据问题（前端不能够获取图片的地址，所以将图片格式转为base64格式的图片，然后将此通过POST方法提交给后端，后端接收到base64图片格式，在使用python的库进行图片格式转换，最后调用饮食识别算法获取食材信息返回给前端进行展示）
难点二
饮食识别算法的实现——图像的快速推理（使用模型和数据预加载的方式，来提高模型的运行速度，对于多个图像来说，也可以在显卡内存允许的情况下同时并行训练）
难点三
算法嵌入，思路是算法在进入eval模式后，将训练模型载入显卡中，每次post请求将图片转移到显卡中，然后使用模型进行识别测试输出预测的概率，并且从大到小进行排序，接口返回的数据是概率以及对应的食物种类。采用flask接口对深度学习模型进行封装，提前将模型加载到显卡和内存中，如果flask接口接收到图片后可以快速的对图像进行预处理和推理，并将结果返回到网页当中。
扫一扫
123
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
