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。