Unduhan SwanAPI - Unduhan kode sumber SwanAPI

SwanAPI

Kode Sumber AI

v0.2.5

Unduh

Bahasa inggris

?Fungsi diterapkan

API pembuatan model dengan ambang batas nol dan sangat cepat
Pengemasan gambar deep learning tanpa ambang batas dan sangat cepat
- Mendukung pengemasan cepat image CPU Docker di Linux/Win/WSL/MacOS
- Mendukung pengemasan cepat image GPU Docker di Linux/Win/WSL
Kasus penggunaan

mengandalkan

Paython3.7+
Docker. SwanAPI menggunakan Docker untuk membuat container untuk model Anda Sebelum Anda menjalankan fungsi pengemasan gambar SwanAPI , Anda perlu menginstal Docker.

?Memasang

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

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

Layanan API lokal

1️⃣ Tulis file predict.py Di sini kita menggunakan contoh mengubah gambar menjadi hitam putih:

Jika Anda pernah menulis Gradio sebelumnya, Anda pasti sudah familiar dengan cara penulisan ini, yang sangat mirip dengan cara mendefinisikan 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 Jalankan python predict.py untuk menjalankan layanan inferensi API di 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 Panggil 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 )

Jika Anda menggunakan curl untuk mengirim permintaan:

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

Ketika output diatur ke 'gambar', aliran byte yang dikodekan base64 dikembalikan dan dikonversi ke np.ndarray dengan 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 )

Buat gambar API dengan cepat

Setelah pengembangan predict.py selesai:

1⃣️ Buat file swan.yaml , yang akan memandu konstruksi gambar Anda

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

membangun:

gpu : Apakah akan mengaktifkan mode GPU. true akan secara otomatis memilih dukungan nvidia terbaik berdasarkan konfigurasi perangkat keras Anda, python_version, dan kerangka pembelajaran mendalam.
system_packages : Perpustakaan dasar sistem Linux, mereka akan apt-get install .
python_version : Versi dasar Python yang menjalankan gambar, mendukung 3.8, 3.9, dan 3.10.
python_packages : Pustaka Python tempat model Anda bergantung
- Jika pustaka python perlu menentukan sumber instalasi, dapat ditulis sebagai - "torch==2.0.0 --index-url https://download.pytorch.org/whl/cpu"
python_source : Tentukan sumber unduhan perpustakaan python, opsional cn dan us , defaultnya adalah us . Pilih sumber unduhan cn akan menggunakan清华源

meramalkan:

port : Nomor port saat layanan inferensi dimulai

2⃣️Bangun citra

swan build -t my-dl-image

angsa membangun parameter opsional:

-t : diperlukan. Tentukan nama build gambar, misalnya my-dl-image .
-r : opsional. Jika Anda menambahkan parameter ini, container akan dijalankan setelah image dibuat, dan pemetaan port akan dilakukan: swan build -r -t my-dl-image
-s : opsional. Jika parameter ini ditambahkan, Dokefile akan disimpan di direktori setelah image dibuat.

3⃣️ Jalankan wadahnya