前言
技术栈是Fastapi。
FastAPI 是一个现代、快速（基于 Starlette 和 Pydantic）、易于使用的 Python web 框架，主要用于构建 RESTful API。以下是 FastAPI 的一些优势：
-
性能卓越： FastAPI 基于 Starlette 框架，并使用 Pydantic 进行数据验证，因此具有出色的性能。它通过异步编程利用 Python 3.7+ 中的
async/await特性，使其能够处理大量并发请求。 -
自动文档生成： FastAPI 自动生成交互式 API 文档（Swagger UI 和 ReDoc），让开发者能够轻松地查看和测试 API 端点，同时提供即时的反馈和文档。
-
强类型注解： FastAPI 使用 Python 的类型提示来定义 API，同时利用 Pydantic 模型进行请求和响应的验证，这提供了强大的静态类型检查和自动文档的支持。
-
自动验证： 使用 Pydantic 模型，FastAPI 自动验证请求的数据，并在数据不符合预期时返回错误。这有助于提高代码的稳健性和可维护性。
-
异步支持： 支持异步处理请求，可以使用异步函数来处理请求，使得 FastAPI 在处理高并发时表现出色。
-
便捷的依赖注入系统： FastAPI 提供了一个灵活的依赖注入系统，让你能够方便地注入和管理依赖项，使代码更加清晰和可测试。
-
WebSocket 支持： FastAPI 提供了对 WebSocket 的原生支持，能够轻松地实现实时通信。
-
易于学习： FastAPI 的语法和设计理念使其易于学习和使用，特别是对于熟悉 Python 的开发者。
安装modelscope
conda create -n modelscope python=3.8
conda activate modelscope
pip install modelscope激活虚拟环境
conda activate modelscope
server.py代码
import argparse
import uvicorn
from fastapi import FastAPI
from modelscope.server.api.routers.router import api_router
from modelscope.server.core.event_handlers import (start_app_handler,
stop_app_handler)
def get_app(args) -> FastAPI:
app = FastAPI(
title='modelscope_server',
version='0.1',
debug=True,
swagger_ui_parameters={'tryItOutEnabled': True})
app.state.args = args
app.include_router(api_router)
app.add_event_handler('startup', start_app_handler(app))
app.add_event_handler('shutdown', stop_app_handler(app))
return app
def add_server_args(parser):
parser.add_argument(
'--model_id', required=True, type=str, help='The target model id')
parser.add_argument(
'--revision', required=True, type=str, help='Model revision')
parser.add_argument('--host', default='0.0.0.0', help='Host to listen')
parser.add_argument('--port', type=int, default=8000, help='Server port')
parser.add_argument('--debug', default='debug', help='Set debug level.')
parser.add_argument(
'--llm_first',
type=bool,
default=True,
help='Use LLMPipeline first for llm models.')
if __name__ == '__main__':
parser = argparse.ArgumentParser('modelscope_server')
add_server_args(parser)
args = parser.parse_args()
app = get_app(args)
uvicorn.run(app, host=args.host, port=args.port)任务一：人脸检测
命令行中虚拟环境中运行脚本
python server.py --model_id damo/cv_resnet50_face-detection_retinaface --revision v2.0.2
访问http://127.0.0.1:8000/docs打开文档
- describe方法描述请求参数和输出形式
{
"schema": {
"task_name": "face-detection",
"schema": {
"input": {
"type": "object",
"properties": {
"image": {
"type": "string",
"description": "Base64 encoded image file or url string."
}
}
},
"parameters": {},
"output": {
"type": "object",
"properties": {
"scores": {
"type": "array",
"items": {
"type": "number"
}
},
"boxes": {
"type": "array",
"items": {
"type": "number"
}
},
"keypoints": {
"type": "array",
"items": {
"type": "number"
}
}
}
}
}
},
"sample": null
}-
call方法(是模型推理的入口)
-
两种请求方式(post)
-
curl方式(encode_base64表示图片转换为base64后的形式)
-
-
图片转换base64的链接可以使用在线转https://tool.jisuapi.com/pic2base64.html
curl -X 'POST' \ 'http://127.0.0.1:8000/call' \ -H 'accept: application/json' \ -H 'Content-Type: application/json' \ -d '{ "input":{"image":"encode_base64"}' -
face-detection_retinaface请求参数体(界面请求)直接使用fastapi界面请求或者使用apifox等
-
{"input":{"image":"encode_base64"}}请求结果
返回结果解释
{
"scores": [
0.9998026490211487
],
"boxes": [
[
164.9207000732422,
82.86209106445312,
353.395263671875,
340.145263671875
]
],
"keypoints": [
[
214.5664520263672,
188.255859375,
303.5237121582031,
190.91671752929688,
256.9284362792969,
242.95065307617188,
223.42758178710938,
283.54241943359375,
287.28448486328125,
286.402587890625
]
]
}返回图像中人脸的分数，越大表示有人脸的可能性越大，boxes表示人脸的矩形框，左上角x,y坐标和右下角x,y坐标,keypoints返回左眼、右眼、鼻尖、左嘴角、右嘴角的坐标值x,y。
输入图片
根据boxes和keypoints画图
import cv2
# 读取图像
image = cv2.imread('0.png')
# 定义矩形框的坐标和大小
x, y, x1, y1 = 164,82,353,340
w = 353-164
h = 340-82
# 画矩形框
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 显示结果
# cv2.imshow('Rectangle', image)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
cv2.imwrite('0_rectangle.png', image)
import cv2
# 读取图像
image = cv2.imread('0.png')
radius = 5 # 点的半径
color = (0, 0, 255) # 点的颜色，通常使用BGR格式
thickness = -1 # 为了画一个实心圆，线条宽度设置为-1
keypoints = [214.5664520263672,
188.255859375,
303.5237121582031,
190.91671752929688,
256.9284362792969,
242.95065307617188,
223.42758178710938,
283.54241943359375,
287.28448486328125,
286.402587890625]
print(len(keypoints))
for i in range(0,len(keypoints),2):
cv2.circle(image, (int(keypoints[i]),int(keypoints[i+1])), radius, color, thickness)
# 显示结果
# cv2.imshow('Point', image)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
cv2.imwrite('0_keypoints.png', image)
需要注意的是不同的任务请求体的内容不一样，需要明确每个任务的请求参数具体有哪些。
任务二：人脸融合
第二种任务，人脸融合，需要重启服务，将model_id和revision替换。
python server.py --model_id damo/cv_unet-image-face-fusion_damo --revision v1.3此时访问http://127.0.0.1/docs
执行一下describe方法
{
"schema": {
"task_name": "image-face-fusion",
"schema": {
"input": {
"type": "object",
"properties": {
"template": {
"type": "string",
"description": "Base64 encoded image file or url string."
},
"user": {
"type": "string",
"description": "Base64 encoded image file or url string."
}
}
},
"parameters": {
"type": "object",
"properties": {
"user": {
"type": "object",
"default": null
}
}
},
"output": {
"type": "object",
"properties": {
"output_img": {
"type": "string",
"description": "The base64 encoded image."
}
}
}
}
},
"sample": null
}input有两个参数，第一个是template，表示模版；第二个参数是user，表示用户的图片，最终的目的就是将用户的图片的脸替换到模版上
parameters参数一般使用默认的就行，不填，如果有特殊需求可自行尝试
output会返回一个换好脸图像的base64编码
请求体
{
"input": {
"template": "base64_template",
"user":"bas64_user"
}
}template
User
Ourput
参考链接：
https://github.com/modelscope/modelscope/blob/master/modelscope/server/api_server.py
![[排序算法] 如何解决快速排序特殊情况效率低的问题------三路划分](https://img-blog.csdnimg.cn/direct/c5aafbe58f214f3ead0aea4843e5e8f6.png)
