【人工智能项目】Python Flask搭建yolov3目标检测系统

最新推荐文章于 2023-05-20 20:52:20 发布

mind_programmonkey

最新推荐文章于 2023-05-20 20:52:20 发布

阅读量1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：人工智能机器学习深度学习项目篇文章标签： python flask 人工智能

本文链接：https://blog.youkuaiyun.com/Mind_programmonkey/article/details/121051114

人工智能机器学习深度学习同时被 2 个专栏收录

76 篇文章

订阅专栏

项目篇

71 篇文章

订阅专栏

本文介绍如何使用Python的Flask框架配合YOLOv3深度学习模型，构建一个实时的目标检测API。通过后端代码解析Base64图像数据，进行对象检测并返回结果。适合初学者理解深度学习在实际应用中的部署过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【人工智能项目】Python Flask搭建yolov3目标检测系统

在这里插入图片描述

后端代码

from flask import Flask, request, jsonify
from PIL import Image
import numpy as np
import base64
import io
import os

from backend.tf_inference import load_model, inference

os.environ['CUDA_VISIBLE_DEVICES'] = '0'

sess, detection_graph = load_model()

app = Flask(__name__)

@app.route('/api/', methods=["POST"])
def main_interface():
    response = request.get_json()
    data_str = response['image']
    point = data_str.find(',')
    base64_str = data_str[point:]  # remove unused part like this: "data:image/jpeg;base64,"

    image = base64.b64decode(base64_str)       
    img = Image.open(io.BytesIO(image))

    if(img.mode!='RGB'):
        img = img.convert("RGB")
    
    # convert to numpy array.
    img_arr = np.array(img)

    # do object detection in inference function.
    results = inference(sess, detection_graph, img_arr, conf_thresh=0.7)
    print(results)

    return jsonify(results)

@app.after_request
def add_headers(response):
    response.headers.add('Access-Control-Allow-Origin', '*')
    response.headers.add('Access-Control-Allow-Headers', 'Content-Type,Authorization')
    return response


if __name__ == '__main__':
    app.run(debug=True, host='0.0.0.0')