Descarga SwanAPI - Descarga del código fuente SwanAPI

SwanAPI

Código Fuente de IA

v0.2.5

Descargar

Inglés

?Función implementada

API de generación de modelos extremadamente rápida y de umbral cero
Empaquetado extremadamente rápido y de umbral cero de imágenes de aprendizaje profundo
- Admite el empaquetado rápido de imágenes de CPU Docker en Linux/Win/WSL/MacOS
- Admite el empaquetado rápido de imágenes de GPU Docker en Linux/Win/WSL
Casos de uso

confiar

Paython3.7+
Docker. SwanAPI usa Docker para crear contenedores para sus modelos. Antes de ejecutar la función de empaquetado de imágenes de SwanAPI , debe instalar Docker.

?Instalar

SwanAPI -i https://pypi.org/simple">

pip install SwanAPI -i https://pypi.org/simple

Servicio API local

1️⃣ Escriba un archivo predict.py Aquí usamos el ejemplo de conversión de una imagen a blanco y negro:

Si ha escrito Gradio antes, debe estar familiarizado con este método de escritura, que es muy similar al método para definir gr.Interface .

SwanAPI import SwanInference import cv2 # 这是一个简单的图像转黑白的任务 def predict(im): result_image = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) return "success", result_image if __name__ == "__main__": api = SwanInference() api.inference(predict, inputs=['image'], outputs=['text', 'image'], description="a simple test") api.launch()">

 from SwanAPI import SwanInference
import cv2

# 这是一个简单的图像转黑白的任务
def predict ( im ):
    result_image = cv2 . cvtColor ( im , cv2 . COLOR_BGR2GRAY )
    return "success" , result_image

if __name__ == "__main__" :
    api = SwanInference ()
    api . inference ( predict ,
                  inputs = [ 'image' ],
                  outputs = [ 'text' , 'image' ],
                  description = "a simple test" )
    api . launch ()

2⃣️ Ejecute python predict.py para ejecutar un servicio de inferencia API en localhost://127.0.0.1:8000/

SwanAPI Server" (lazy loading) * Environment: production WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Debug mode: off * Running on http://0.0.0.0:8000/ (Press CTRL+C to quit)">

$ python predict.py
 * Serving Flask app " SwanAPI Server" (lazy loading)
 * Environment: production
   WARNING: This is a development server. Do not use it in a production deployment.
   Use a production WSGI server instead.
 * Debug mode: off
 * Running on http://0.0.0.0:8000/ (Press CTRL+C to quit)

3⃣️ Llamar API

SwanAPI import SwanRequests, Files response = SwanRequests( url="http://127.0.0.1:8000/predictions/", inputs={'im': Files("/path/to/image")}) #填写图像文件的本地路径 print(response) ">

 from SwanAPI import SwanRequests , Files

response = SwanRequests (
    url = "http://127.0.0.1:8000/predictions/" ,
    inputs = { 'im' : Files ( "/path/to/image" )})  #填写图像文件的本地路径

print ( response )

Si usa curl para enviar una solicitud:

curl --location ' http://127.0.0.1:8000/predictions/ ' 
--form ' im=@"path/to/image" '

Cuando las salidas se configuran en 'imagen', el flujo de bytes codificado en base64 se devuelve y se convierte a np.ndarray en Python:

SwanAPI import SwanRequests, Files import base64 import numpy as np import cv2 response = SwanRequests( url="http://127.0.0.1:8000/predictions/", inputs={'im': Files("../Feedback/assets/FeedBack.png")}) #填写图像文件的本地路径 image_base64 = response[str(1)]['content'] nparr = np.frombuffer(base64.b64decode(image_base64), np.uint8) img_restore = cv2.imdecode(nparr, cv2.IMREAD_COLOR) cv2.imwrite("output.jpg", img_restore)">

 from SwanAPI import SwanRequests , Files
import base64
import numpy as np
import cv2

response = SwanRequests (
    url = "http://127.0.0.1:8000/predictions/" ,
    inputs = { 'im' : Files ( "../Feedback/assets/FeedBack.png" )})  #填写图像文件的本地路径

image_base64 = response [ str ( 1 )][ 'content' ]
nparr = np . frombuffer ( base64 . b64decode ( image_base64 ), np . uint8 )
img_restore = cv2 . imdecode ( nparr , cv2 . IMREAD_COLOR )

cv2 . imwrite ( "output.jpg" , img_restore )

Cree rápidamente imágenes API

Una vez completado el desarrollo predict.py :

1⃣️ Crea un archivo swan.yaml , que guiará la construcción de tu imagen.

 build :
  gpu : false
  system_packages :
    - " libgl1-mesa-glx "
    - " libglib2.0-0 "
  python_version : " 3.10 "
  python_packages :
    - " numpy "
    - " opencv-python "
predict :
  port : 8000

construir:

gpu : si se debe habilitar el modo gpu. true seleccionará automáticamente la mejor compatibilidad con nvidia según la configuración de su hardware, python_version y el marco de aprendizaje profundo.
system_packages : bibliotecas básicas del sistema Linux, apt-get install .
python_version : la versión básica de Python en la que se ejecuta la imagen es compatible con 3.8, 3.9 y 3.10.
python_packages : bibliotecas de Python de las que depende su modelo
- Si la biblioteca de Python necesita especificar la fuente de instalación, se puede escribir como - "torch==2.0.0 --index-url https://download.pytorch.org/whl/cpu"
python_source : especifique la fuente de descarga de la biblioteca de Python, opcional cn y us , el valor predeterminado es us . Seleccione la fuente de descarga cn usará清华源

predecir:

port : El número de puerto cuando se inicia el servicio de inferencia

2⃣️Construye la imagen

swan build -t my-dl-image

parámetros opcionales de construcción de cisne:

-t : requerido. Especifique el nombre de la creación de la imagen, como my-dl-image .
-r : opcional. Si agrega este parámetro, el contenedor se ejecutará después de crear la imagen y se realizará el mapeo de puertos: swan build -r -t my-dl-image
-s : opcional. Si se agrega este parámetro, el Dokefile se guardará en el directorio después de crear la imagen.

3⃣️ Ejecute el contenedor