使用 Streamlit 和 Heroku 在 Web 上部署图像分类

2020-06-08 08:00:00 · 飞浪

介绍在本指南中，您将学习如何使用Streamlit和Heroku在Web上部署图像分类器。图像分类器是一种计算机视觉算法，能够根据图像文件的内容将图像分配给特定的预定义类别。它用于使应

介绍

在本指南中，您将学习如何使用 Streamlit 和 Heroku 在 Web 上部署图像分类器。图像分类器是一种计算机视觉算法，能够根据图像文件的内容将图像分配给特定的预定义类别。它用于使应用程序能够对图像数据执行分类和排序任务。

在本指南中，您将从 Google Teachable Machine 下载一个简单的二元分类器。本指南假设您具有中级 Python 知识。本指南的其他先决条件是：

Streamlit 的基础知识
机器学习中图像分类的基础知识
Google Teachable Machine 平台的基础知识

以下是一个真实场景：

想象一下，您是一家远程优先 AI/ML 初创公司的机器学习工程师。您是专门从事 AI 和 ML 的研发团队的一员。由于是远程优先，您不仅需要与团队成员分享您的图像分类应用想法，还需要与其他团队和公司员工分享，他们可能不了解 ML，但想测试您的解决方案的实用性。您还需要向公众推出您的图像分类解决方案。这意味着它应该简单、直观且易于访问，并且您应该知道如何部署 ML 解决方案。

环境设置

要准备好环境，请运行命令安装相关软件包

pip 安装 keras streamlit pillow numpy

有了这四个包，您就可以启动一个简单的图像分类器了。

使用 Google Teachable Machine 进行图像分类

Teachable Machine允许您在网络上训练分类器模型。您可以创建图像、音频或姿势项目。在本例中，请选择图像分类项目。在本指南中，您将使用Kaggle上的脑肿瘤检测数据集。点击链接下载数据集。

进入图像分类页面后，将第 1 类标记为脑肿瘤，第 2 类标记为无脑肿瘤。将图像上传到相应的类别。上传数据后，单击训练模型按钮并等待结果。

完成后，您将能够下载扩展名为.h5 的权重文件。您将使用它来完成分类任务。

基于 Streamlit 的图像分类器

在您的开发文件夹中，创建一个名为app.py 的文件。该文件包含负责在网页上显示内容的 Streamlit 代码。

要通过提供页眉、标题和描述来设置页面，请编写以下代码。

      import streamlit as st
st.title("Image Classification with Google's Teachable Machine")
st.header("Brain Tumor MRI Classification Example")
st.text("Upload a brain MRI Image for image classification as tumor or no-tumor")
    

接下来，处理文件上传、Teachable Machine 分类器处理，最后显示结果。为确保代码整洁并遵循最佳实践，请创建一个单独的文件来处理实际分类。

图像分类代码

在包含app.py的同一文件夹中，创建一个名为img_classification.py的文件。这将保存您将在app.py文件中调用的分类函数，用于图像分类。

要执行分类，请将您下载的.h5格式的权重文件加载到 keras 模型中。

      import keras
from PIL import Image, ImageOps
import numpy as np


def teachable_machine_classification(img, weights_file):
    # Load the model
    model = keras.models.load_model(weights_file)

    # Create the array of the right shape to feed into the keras model
    data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
    image = img
    #image sizing
    size = (224, 224)
    image = ImageOps.fit(image, size, Image.ANTIALIAS)

    #turn the image into a numpy array
    image_array = np.asarray(image)
    # Normalize the image
    normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1

    # Load the image into the array
    data[0] = normalized_image_array

    # run the inference
    prediction = model.predict(data)
    return np.argmax(prediction) # return position of the highest probability
    

Streamlit 文件处理和结果

这部分代码执行图像上传处理，从img_classification.py文件中的函数运行推理并显示结果。在app.py中的导入下方，添加此行以允许您使用分类函数。

      from img_classification import teachable_machine_classification

以下代码将添加到您的app.py文件中。

      uploaded_file = st.file_uploader("Choose a brain MRI ...", type="jpg")
    if uploaded_file is not None:
        image = Image.open(uploaded_file)
        st.image(image, caption='Uploaded MRI.', use_column_width=True)
        st.write("")
        st.write("Classifying...")
        label = teachable_machine_classification(image, 'brain_tumor_classification.h5')
        if label == 0:
            st.write("The MRI scan has a brain tumor")
        else:
            st.write("The MRI scan is healthy")
    

要在本地主机上运行应用程序，请打开终端或 shell，导航到当前工作目录，然后运行命令

streamlit 运行应用程序.py

该应用程序将在本地运行，并通过 URL https://localhost:8501访问

Heroku 帐户设置

此时，您的应用已设置完毕并在本地运行。是时候分享它了。注册一个Heroku帐户，以便将出色的分类器部署到 Web。注册后，下载Heroku CLI。

部署解决方案

生成一个requirements.txt文件，其中包含所使用的库及其版本。您可以使用pipreqs命令。该文件应如下所示：

      numpy==1.16.4
streamlit==0.52.1
pillow
keras
tensorflow==2.0.0b1
    

创建一个setup.sh文件和一个procfile文件。这些文件将指示 Heroku 如何设置应用程序并使其运行。在setup.sh文件中，写入以下代码，这将创建一个 streamlit 文件夹，其中包含 credentials.toml 和 config.toml 文件。

      mkdir -p ~/.streamlit/
echo "\
[general]\n\
email = \"your@domain.com\"\n\
" > ~/.streamlit/credentials.toml
echo "\
[server]\n\
headless = true\n\
enableCORS=false\n\
port = $PORT\n\
" > ~/.streamlit/config.toml
    

接下来，procfile将是执行 setup.sh的那个。然后运行 Streamlit app.py文件 procfile 代码：

      web: sh setup.sh && streamlit run app.py

使用命令git init启动一个空的 Git 存储库。

在终端中，导航到代码的工作目录，然后使用 CLI 命令heroku login登录 Heroku 。要部署，请运行命令heroku create。完成此命令后，Heroku 将为您的应用分配一个应用名称和 URL，以便您通过 Web 访问它。

最后，使用下面的 Git 命令将您的代码推送到您的 Heroku 实例。

      git add .
git commit -m "commit message"
git push heroku master
    

要检查部署是否成功，请运行命令heroku ps scale:web=1。

结论

您现在已经学会了使用 Streamlit 构建界面和使用 Heroku 在 Web 上为应用程序提供服务，从而在 Web 上部署机器学习解决方案。这些技能对于现实世界的角色至关重要，例如 ML 工程师、ML devops、对 ML 感兴趣的软件工程师以及想要分享其工作的自由职业 ML 爱好者。要更深入地了解 Heroku，请考虑本教程。

您还可以通过研究基于云的 ML 部署解决方案（例如 Amazon AWS、Microsoft Azure、GCP 和 FloydHub）进一步巩固本指南中的技能。

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文

技术指南

阅读全文

使用 Streamlit 和 Heroku 在 Web 上部署图像分类

杭州电子商务研究院

4年前 · 面向社会、服务行业、政产学研结合、整合资源、和谐发展

import streamlit as st st.title("Image Classification with Google's Teachable Machine") st.header("Brain Tumor MRI Classification Example") st.text("Upload a brain MRI Image for image classification as tumor or no-tumor")

import keras from PIL import Image, ImageOps import numpy as np def teachable_machine_classification(img, weights_file): # Load the model model = keras.models.load_model(weights_file) # Create the array of the right shape to feed into the keras model data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32) image = img #image sizing size = (224, 224) image = ImageOps.fit(image, size, Image.ANTIALIAS) #turn the image into a numpy array image_array = np.asarray(image) # Normalize the image normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1 # Load the image into the array data[0] = normalized_image_array # run the inference prediction = model.predict(data) return np.argmax(prediction) # return position of the highest probability

uploaded_file = st.file_uploader("Choose a brain MRI ...", type="jpg") if uploaded_file is not None: image = Image.open(uploaded_file) st.image(image, caption='Uploaded MRI.', use_column_width=True) st.write("") st.write("Classifying...") label = teachable_machine_classification(image, 'brain_tumor_classification.h5') if label == 0: st.write("The MRI scan has a brain tumor") else: st.write("The MRI scan is healthy")

mkdir -p ~/.streamlit/ echo "\ [general]\n\ email = \"your@domain.com\"\n\ " > ~/.streamlit/credentials.toml echo "\ [server]\n\ headless = true\n\ enableCORS=false\n\ port = $PORT\n\ " > ~/.streamlit/config.toml