1. 介绍

之前做的用PyQT做的GUI窗口分类图像，然后打包成exe的方法有些过时了

这次用的方法时用streamlit将神经网络部署成一个web

项目包含的文件：

LeNet.pth 是训练好的网络参数
predict 是做预测用的
main 是搭建web 的代码
image 包含一个dog.jpg 是默认web显示的图片
剩下两个txt文件这里可以不需要

参考的是这篇文章：pytorch 实现图像分类+web部署

网站的链接为：图像分类

github 的链接为：LeNet-classification

最后实现的效果展示：

默认打开网站显示：

上传图片后显示：

大概的实现思路为：

1. 用pytorch搭建一个预测网络

2. 用streamlit 搭建一个本地的web

3. 用streamlit cloud 将本地的 web 发布出去

2. 搭建LeNet 预测网络

代码为：

import torchvision.transforms as transforms
import torch.nn as nn    # 神经网络库
import torch.nn.functional as F   # 函数功能库，如relu、sigmoid等等
import torch
from PIL import Imageclass LeNet(nn.Module):     # 继承父类def __init__(self):super(LeNet,self).__init__()    #涉及到多继承需要，这个记住就行self.conv1 = nn.Conv2d(3,6,5)  # 输入（3，32，32） 输出（6，28，28）self.conv2 = nn.Conv2d(6,16,5)  # 输入（6，14，14） 输出（16，10，10）self.fc1 = nn.Linear(16*5*5,120)   # 输入16*5*5，输出120self.fc2 = nn.Linear(120,84)self.fc3 = nn.Linear(84,10)# 定义前向传播过程def forward(self,x):  # 输入x == 【batch，channel，height，width】# conv -> 激活函数 -> 池化x = F.max_pool2d(F.relu(self.conv1(x)),2)   # 输入（3，32，32）-> （6，28，28）-> 输出（6，14，14）x = F.max_pool2d(F.relu(self.conv2(x)),2)   # 输入（6，14，14）-> （16，10，10）-> 输出（16，5，5）x = x.view(x.shape[0],-1) # -->output (1,16*5*5) * (16*5*5,120) = (1,120)x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)         # 不需要softmax，交叉熵损失函数里面有return xdef predict(img):transform = transforms.Compose([transforms.Resize((32,32)),transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])classes = ('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')net = LeNet()net.load_state_dict(torch.load('LeNet.pth'))  # 加载网络训练的参数im = Image.open(img)im = transform(im)  # 图像维度 （C，H，W）im = torch.unsqueeze(im,dim  = 0)  # 增加维度，第0维增加1 ，维度（1，C，H，W）with torch.no_grad():outputs  = net(im)predict = torch.max(outputs,dim = 1)[1].data.numpy()pro = torch.softmax(outputs, dim=1)rate = pro.max().numpy() * 100return classes[int(predict)] , str(rate) + '%'

这里不对LeNet网络的搭建和训练做介绍，具体的可以看之前的文章：

pytorch 搭建 LeNet 网络对 CIFAR-10 图片分类

因为网络训练好了之后，只需要将网络和权重参数保存就好了。

然后为了方便调用，将预测的部分封装成了一个predict函数

3. 搭建本地的web

main里面存放的是web的部分，代码为：

import streamlit as st
from PIL import Image
from predict import predictst.set_option('deprecation.showfileUploaderEncoding', False)st.title("CIFAR10 Image Classification App")
st.write("")
st.write("")file_up = st.file_uploader("Upload an image")   # 上传图片if file_up is None:image = 'image/dog.jpg'             # 默认读取的图像img = Image.open(image)st.image(img, caption='Uploaded Image.', use_column_width=True)     # 显示图像st.write("")st.write("Just a second...")labels, ret = predict(image)            # 预测图像st.success('successful prediction')st.write("Prediction ", labels, ",   Score: ", ret) # 给出预测结果st.write("")else:image = Image.open(file_up)         # 从上传图像里面取出图像st.image(image, caption='Uploaded Image.', use_column_width=True)   # 显示图像st.write("")st.write("Just a second...")labels,ret = predict(file_up)       # 预测图像st.success('successful prediction')st.write("Prediction ", labels, ",   Score: ", ret)st.write("")

可以直接拷贝就行了，将对应的图片改一下就行。

需要注意的地方是下面

这里image 存放的是图片的路径，img是打开的图片，所以显示的时候传入的是img图片

而预测的时候，传入的是图片的路径image

然后运行正确的时候，是这样的

将command 下面的代码拷贝到cmd里面运行即可

error

这里出现了一个问题，暂时还没有解决，打开后会出现找不到image文件夹

因为 streamlit 没有学过，所以这个问题不知道为啥，但是可以通过更改路径的方式解决

只需要将image 里面的相对路径，改成绝对路径就可以了

要把默认读取的image文件夹里面dog换成绝对路径
然后将predict预测里面读取网络参数LeNet.pth 换成绝对路径
这样运行出来的是对的