目录

一、模型部署的目的和用到的技术

二、系统架构设计

1.整体架构（c/s）

2.具体流程

三、服务端实现

1. 服务端功能概述

2.导入所需库

3.Flask应用初始化

4. 模型加载函数

5. 图像预处理函数

6. API路由定义

7. 服务启动

四、客户端

1. 客户端功能概述

2. 客户端代码

五、部署

1. 环境配置

2. 模型准备

3. 启动服务

4. 修改IP地址

5. 客户端调用

---

在深度学习领域，模型训练只是整个项目生命周期的一部分。如何将训练好的模型部署到生产环境中，让其他应用程序能够方便地调用，是许多开发者面临的挑战。本文将详细介绍如何使用Flask框架和PyTorch，构建一个完整的图像分类API服务，实现模型的在线部署与调用。

一、模型部署的目的和用到的技术

• 提供实时预测服务：让模型能够处理实时请求
• 实现模型复用：避免重复训练，提高开发效率
• 支持多端调用：Web、移动端、桌面应用都可以通过API访问
• 便于模型更新：只需更新服务端，客户端无需改动

需要用到的：

• Flask：轻量级Web框架，适合快速构建API服务
• PyTorch：深度学习框架，用于加载和运行模型
• Requests：Python HTTP库，用于客户端请求
• PIL：图像处理库
• Torchvision：提供预训练模型和图像变换工具

二、系统架构设计

1.整体架构（c/s）

客户端 (Client) → HTTP请求 → Flask服务器（server） → PyTorch模型 → 预测结果
客户端 (Client) ← HTTP响应 ← Flask服务器 ← 返回结果

2.具体流程

• 服务端启动：加载预训练模型，监听指定端口
• 客户端请求：发送图像文件到服务器
• 服务器处理：接收图像，预处理，模型推理
• 结果返回：将预测结果封装成JSON格式返回
• 客户端展示：解析结果并显示

三、服务端实现

1. 服务端功能概述

根据代码注释，服务端需要实现以下核心功能：

• 接收来自客户端的信息，24小时运行
• 将模型部署起来
• 对图片进行识别
• 将识别结果返回给客户端

2.导入所需库

import io
import flask
import torch
import torch.nn.functional as F
from PIL import Image
from torch import nn
from torchvision import transforms, models

io：处理字节流数据，用于图像读取
flask：Web框架，构建API服务
torch 和 torch.nn.functional：PyTorch核心库和函数式接口
PIL：Python图像处理库
torchvision：提供预训练模型和数据预处理工具

3.Flask应用初始化

app = flask.Flask(__name__)
model = None
use_gpu = False

app = flask.Flask(__name__)：初始化Flask应用程序实例。__name__参数用于定位应用程序的根路径，这样Flask就可以知道在哪里找到模板、静态文件等，是Flask应用程序的起点，为后续添加路由、配置等奠定了基础。
model = None：全局变量，用于存储加载的模型
use_gpu = False：是否使用GPU进行推理

4. 模型加载函数

def load_model():
    """Load the pre-trained model, you can use your model just as easily."""
    global model
    # 加载resnet18网络
    model = models.resnet18()
    num_ftrs = model.fc.in_features
    model.fc = nn.Sequential(nn.Linear(num_ftrs, 102))  # 修改最后的类别数

    checkpoint = torch.load('best.pth')
    model.load_state_dict(checkpoint['state_dict'])
    # 将模型指定为测试模式
    model.eval()

    # 是否使用gpu
    if use_gpu:
        model.cuda()

global model：声明使用全局变量model，在函数内部修改全局变量
models.resnet18()：加载ResNet18预训练网络结构
model.fc.in_features：获取原全连接层的输入特征数
nn.Sequential(nn.Linear(num_ftrs, 102))：修改最后的全连接层，适配102类分类任务
torch.load('best.pth')：加载训练好的模型权重文件
model.load_state_dict(checkpoint['state_dict'])：将权重加载到模型中
model.eval()：将模型设置为评估模式，关闭Dropout和Batch Normalization的训练行为
model.cuda()：如果use_gpu为True，将模型移动到GPU

5. 图像预处理函数

def prepare_image(image, target_size):
    if image.mode != 'RGB':
        image = image.convert('RGB')

    image = transforms.Resize(target_size)(image)
    image = transforms.ToTensor()(image)

    image = transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])(image)

    image = image[None]
    if use_gpu:
        image = image.cuda()

    return torch.tensor(image)

if image.mode != 'RGB'：检查图像颜色模式，如果不是RGB则转换
transforms.Resize(target_size)(image)：调整图像尺寸到目标大小(224×224)
transforms.ToTensor()(image)：将PIL图像转换为PyTorch张量，并将像素值从[0,255]缩放到[0.0,1.0]
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])(image)：使用ImageNet数据集的均值和标准差进行标准化
image = image[None]：在第0维添加一个维度，将形状从(C,H,W)变为(1,C,H,W)，满足模型输入的batch要求
return torch.tensor(image)：返回处理后的张量

6. API路由定义

@app.route("/predict", methods=["POST"])
def predict():
    data = {"success": False}

    if flask.request.method == "POST":
        if flask.request.files.get("image"):
            # 读取图像文件
            image = flask.request.files["image"].read()
            image = Image.open(io.BytesIO(image))

            # 预处理图像
            image = prepare_image(image, target_size=(224, 224))
            preds = F.softmax(model(image), dim=1)
            results = torch.topk(preds.cpu().data, k=3, dim=1)
            results = (results[0].cpu().numpy(), results[1].cpu().numpy())

            data['predictions'] = list()

            for prob, label in zip(results[0][0], results[1][0]):
                r = {'label': str(label), 'probability': float(prob)}
                data['predictions'].append(r)
            data['success'] = True

    return flask.jsonify(data)

@app.route("/predict", methods=["POST"])：装饰器，将URL路径"/predict"与predict函数关联，并指定只处理POST请求
data = {"success": False}：初始化返回数据，success默认为False
flask.request.files.get("image")：获取上传的文件，key为"image"
image = flask.request.files["image"].read()：读取文件的二进制数据
Image.open(io.BytesIO(image))：将二进制数据转换为PIL图像
F.softmax(model(image), dim=1)：模型推理后应用softmax函数，将输出转换为概率分布
torch.topk(preds.cpu().data, k=3, dim=1)：获取概率最高的前3个类别及其概率
results[0].cpu().numpy()：将概率值转换为numpy数组
results[1].cpu().numpy()：将类别索引转换为numpy数组
循环遍历，将结果封装成字典列表
flask.jsonify(data)：将字典转换为JSON格式的HTTP响应

7. 服务启动

if __name__ == '__main__':
    print("Loading PyTorch model and Flask starting server ...")
    print("Please wait until server has fully started")
    load_model()  # 加载模型
    # 开启服务
    app.run(host='0.0.0.0', port=5010)

if __name__ == '__main__'：判断是否直接运行此脚本

load_model()：启动时加载模型

app.run(host='0.0.0.0', port=5010)：启动Flask开发服务器，host='0.0.0.0'表示监听所有网络接口，允许局域网内的其他设备访问，port=5010指定端口号

四、客户端

1. 客户端功能概述

根据代码注释，客户端需要实现以下核心功能：

1. 负责发送图片到指定的服务器

2. 接收服务器端返回的结果信息

2. 客户端代码

import requests

flask_url = 'http://192.168.31.83:5010/predict'  # url和端口携程自己的本地ip

def predict_result(image_path):
    image = open(image_path, 'rb').read()
    payload = {'image': image}
    r = requests.post(flask_url, files=payload).json()
    # 向fLask_url服务发送一个P0ST请求，并尝试将返回的JSON响应解析为一个Python字典

    if r['success']:
        for (i, result) in enumerate(r['predictions']):
            print('{}.预测类别为{}：的概率{}'.format(i + 1, result['label'], result['probability']))
    else:
        print('Request failed')

if __name__ == '__main__':
    predict_result('flower.jpg')

import requests：导入requests库，用于发送HTTP请求

flask_url = 'http://192.168.31.83:5010/predict'：服务器端API地址，需要根据实际情况修改IP和端口

open(image_path, 'rb').read()：以二进制模式打开并读取图像文件

payload = {'image': image}：构建请求数据，键名"image"必须与服务器端flask.request.files.get("image")一致

requests.post(flask_url, files=payload).json()：发送POST请求，files参数用于上传文件，.json()将响应解析为Python字典

if r['success']：检查服务器返回的success字段

enumerate(r['predictions'])：遍历预测结果列表，同时获取索引和值

打印每个预测结果的类别和概率

五、部署

1. 环境配置

# 创建虚拟环境（可选）
python -m venv venv

# 激活虚拟环境（Windows）
venv\Scripts\activate

# 安装依赖
pip install flask torch torchvision pillow requests

2. 模型准备

确保在服务端目录下有训练好的模型文件 best.pth。根据代码，这个文件应该包含：

模型权重（通过checkpoint['state_dict']访问）

3. 启动服务

先执行server代码

4. 修改IP地址

客户端代码中的IP地址需要根据实际情况修改：

flask_url = 'http://你的实际IP:5010/predict'

5. 客户端调用