YOLOv8目标检测(一)_检测流程梳理：YOLOv8目标检测(一)_检测流程梳理_yolo检测流程-CSDN博客
YOLOv8目标检测(二)_准备数据集：YOLOv8目标检测(二)_准备数据集_yolov8 数据集准备-CSDN博客
YOLOv8目标检测(三)_训练模型：YOLOv8目标检测(三)_训练模型_yolo data.yaml-CSDN博客
YOLOv8目标检测(三*)_最佳超参数训练：YOLOv8目标检测(三*)_最佳超参数训练_yolo 为什么要选择yolov8m.pt进行训练-CSDN博客
YOLOv8目标检测(四)_图片推理：YOLOv8目标检测(四)_图片推理-CSDN博客
YOLOv8目标检测(五)_结果文件(run/detrct/train)详解：YOLOv8目标检测(五)_结果文件(run/detrct/train)详解_yolov8 yolov8m.pt可以训练什么-CSDN博客
YOLOv8目标检测(六)_封装API接口：YOLOv8目标检测(六)_封装API接口-CSDN博客
YOLOv8目标检测(七)_AB压力测试：YOLOv8目标检测(七)_AB压力测试-CSDN博客
在Python中将YOLOv8模型封装为API接口后，用户可以通过调用该接口上传自定义的测试图片，并获取识别结果
为什么要封装成API接口使用？
- 模块化和可重用性：封装成API后，模型可以独立于其他代码运行，使得它更容易被其他应用或服务调用，而不需要直接依赖模型的具体实现细节。
- 易于扩展：API接口可以方便地进行版本管理和功能扩展。如果未来需要替换或升级YOLOv8模型，可以通过修改API内部实现而不影响其他依赖该API的系统。
- 跨平台兼容性：通过API，可以让不同平台或不同编程语言的应用访问和使用YOLOv8模型，而无需关心底层的实现细节。比如，前端应用可以通过HTTP请求访问API，得到模型的推理结果。
- 简化部署与维护：API接口使得模型部署变得更加标准化和可管理。你可以将模型托管在服务器上，任何需要使用该模型的用户或系统都可以通过API进行交互，方便维护和监控。
- 灵活性：API接口可以通过参数化设计，支持不同的输入输出形式，甚至可以根据请求动态调整模型的行为（如使用不同的推理参数、处理不同类型的输入等）。
- 分离前后端：对于Web应用来说，封装成API接口可以将前端和后端分离，前端只需要通过HTTP请求和API进行交互，无需了解YOLOv8模型的具体实现。
注：笔者的情况是模型和API代码都在服务器(linux)Docker容器中，在容器中起服务，本地调用服务推理图片。
1.Python封装API
服务器中操作
app.py具体代码如下
import json
import numpy as np
from flask import Flask, request, jsonify
from loguru import logger
import base64
import cv2
from ultralytics import YOLO
app = Flask(__name__)
# 只处理 base64 编码图像
def read_img_cv(base64_str):
try:
img_data = base64.b64decode(base64_str)
img = np.frombuffer(img_data, np.uint8)
return cv2.imdecode(img, cv2.IMREAD_COLOR)
except Exception:
return None
def invasion(xyxy, points):
# 检查目标框中心是否在给定区域内
center_x, center_y = (xyxy[0] + xyxy[2]) / 2, (xyxy[1] + xyxy[3]) / 2
return any(point[0] < center_x < point[2] and point[1] < center_y < point[3] for point in points)
# 设置日志记录
logger.add("./logs/{0}".format("log.log"), rotation="10 MB")
# 自定义标签列表
custom_labels = {
0: 'backpack',
1: 'plastic bag',
2: 'shoulder bag',
3: 'person',
4: 'handbag',
5: 'suitcase'
# 根据你的标签数目和顺序调整
}
# 参数设置
def set_parameters():
return {'device': 'cuda', 'port': 5000}
args = set_parameters()
logger.info("start load Model!")
model = YOLO('/your_path/best.pt') # 修改为你自己的路径
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
try:
data = request.get_json()
img_object = data.get('image')
minScore = float(data.get('minScore', 0.45))
maxScore = float(data.get('maxScore', 1.0))
customerID = data.get('customerID')
imageID = data.get('imageID')
axisall = data.get('axis', [])
# 校验置信度范围
if not (0 <= minScore <= 1 and 0 <= maxScore <= 1 and minScore <= maxScore):
return jsonify({'customerID': customerID, 'imageID': imageID, 'code': 1, 'msg': '置信度错误', "marks": None, "result": None})
# 解码图像
img0 = read_img_cv(img_object)
if img0 is None:
return jsonify({'customerID': customerID, 'imageID': imageID, 'code': 1, 'msg': '图片解码出错', "marks": None, "result": None})
w, h = img0.shape[:2]
if axisall:
axisall = [[max(0, a[0]), max(0, a[1]), min(w, a[2]), min(h, a[3])] for a in axisall]
det_list = []
try:
# 使用YOLO模型进行预测
annos = model(img0, conf=minScore)
annos = annos[0].boxes.data.clone().cpu().detach().tolist()
if annos:
for cls, *xyxy, conf in zip(np.array(annos)[:, -1], np.array(annos)[:, :-2], np.array(annos)[:, -2]):
category = str(int(cls))
# 映射到自定义标签
custom_category = custom_labels.get(int(cls), "未知")
x0, y0, x1, y1 = map(int, xyxy[0])
info = {"cls": custom_category, "axis": [x0, y0, x1, y1], "score": round(conf, 2)}
if axisall and not invasion(xyxy[0], axisall):
continue
det_list.append(info)
except Exception:
return jsonify({'customerID': customerID, 'imageID': imageID, 'code': 1, 'msg': '内部错误', "marks": None, "result": None})
out = {'customerID': customerID, 'imageID': imageID, 'code': 0, 'msg': 'OK', "marks": det_list, "result": bool(det_list)}
logger.info(f'outputs: {out}')
return jsonify(out)
except Exception:
return jsonify({'customerID': None, 'imageID': None, 'code': 1, 'msg': '未知错误', "marks": None, "result": None})
if __name__ == "__main__":
app.run(host='0.0.0.0', port=args['port'], debug=True)
2.起服务
服务器中操作
运行python app.py，成功截图如下：
3.推理
本地操作
也可以上传数据到你的服务器操作（参考https://blog.csdn.net/weixin_48870215/article/details/144425479?fromshare=blogdetail&sharetype=blogdetail&sharerId=144425479&sharerefer=PC&sharesource=weixin_48870215&sharefrom=from_link），那样需要频繁的导入导出，笔者觉得麻烦。
注：这个模型best.pt是检测人和背包的。
（1）准备测试图片
（2）请求服务器处理代码
client.py具体代码如下：
import os
import base64
import cv2
import requests
from pathlib import Path
# 设置输入图片文件夹和输出文件夹
input_folder = r"D:\\Desktop/857"
output_folder = r"D:\\Desktop/857_123"
url = "<http://12.345.678.101:8888/predict>" #你的服务器ip和端口
# 确保输出文件夹存在
os.makedirs(output_folder, exist_ok=True)
# 类别颜色映射
class_colors = {
"person": (0, 255, 0), # 绿色
"bag": (255, 0, 0), # 蓝色
"car": (0, 0, 255), # 红色
"phone": (255, 255, 0), # 黄色
# 可以继续添加其他类别的颜色
}
# 将图片转换为base64格式
def image_to_base64(image_path):
with open(image_path, 'rb') as f:
img_byte = f.read()
img_b64 = base64.b64encode(img_byte)
return img_b64.decode()
# 从接口返回的结果画框和置信度
def draw_predictions(image, marks):
for mark in marks:
cls = mark["cls"] # 获取类别
x1, y1, x2, y2 = map(int, mark["axis"]) # 获取坐标
score = mark["score"] # 获取置信度
label = f'{cls}: {score:.2f}' # 标注类别和置信度
# 获取类别颜色，如果没有指定颜色则使用默认颜色（白色）
color = class_colors.get(cls, (255, 255, 255))
# 画框
cv2.rectangle(image, (x1, y1), (x2, y2), color, 5)
font_scale = 0.8
# 计算标签的大小
label_size = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, font_scale, 2)[0]
label_x, label_y = x1, y1 - 10
# 检查标签是否会超出图像或框的顶部
if label_y - label_size[1] - 5 < 0:
label_y = y1 + 10 # 将标签位置调整到框的下方
# 绘制背景色以便突出显示类别标签
cv2.rectangle(image, (label_x, label_y - label_size[1] - 5),
(label_x + label_size[0], label_y), color, -1)
# 在框上方标注类别和置信度
cv2.putText(image, label, (label_x, label_y - 5), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (0, 0, 0), 2, cv2.LINE_AA)
return image
# 处理每一张图片
for image_name in os.listdir(input_folder):
image_path = os.path.join(input_folder, image_name)
# 跳过非图片文件
if not image_name.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
print(f"跳过非图片文件: {image_name}")
continue
print(f'正在处理图片: {image_name}')
try:
# 读取图片并转换为base64
image_base64 = image_to_base64(image_path)
# 构建POST请求的JSON数据
payload = {
"customerID": "abc_123",
"imageID": image_name,
"minScore": 0.35,
"maxScore": 0.99,
"timeStamp": "1234455",
"flexibleParams": "",
"image": image_base64
}
# 调用接口
response = requests.post(url, json=payload, timeout=10)
print("Response status code:", response.status_code)
if response.status_code == 200:
try:
response_data = response.json() # 尝试解析 JSON 数据
print("Response JSON:", response_data)
# 读取原始图片
image = cv2.imread(image_path)
# 获取并画出预测结果
if response_data.get("marks"):
image = draw_predictions(image, response_data["marks"])
# 保存处理后的图片
output_path = os.path.join(output_folder, image_name)
cv2.imwrite(output_path, image)
print(f"Processed and saved: {output_path}")
except requests.exceptions.JSONDecodeError:
print(f"JSON 解码失败，服务器返回内容: {response.text}")
else:
print(f"服务器返回错误状态码: {response.status_code}, 内容: {response.text}")
except requests.exceptions.RequestException as e:
print(f"请求失败: {e}")
except Exception as e:
print(f"处理图片时发生错误: {e}")
（3）查看结果
app.py服务器返回结果：
client返回结果：
图片返回结果：
看过这六期文章，恭喜你基本掌握了YOLOv8实战流程：数据处理、数据集制作、模型训练、API封装、调用API推理。
