$ hub install efficientnetb2_imagenet==1.2.0
模型名称 | efficientnetb2_imagenet |
---|---|
类别 | 图像-图像分类 |
网络 | EfficientNet |
数据集 | ImageNet-2012 |
是否支持Fine-tuning | 否 |
模型大小 | 38MB |
最新更新日期 | - |
数据指标 | - |
paddlepaddle >= 1.6.2
paddlehub >= 1.6.0
$ hub install efficientnetb2_imagenet
$ hub run efficientnetb2_imagenet --input_path "/PATH/TO/IMAGE"
import paddlehub as hub
import cv2
classifier = hub.Module(name="efficientnetb2_imagenet")
result = classifier.classification(images=[cv2.imread('/PATH/TO/IMAGE')])
# or
# result = classifier.classification(paths=['/PATH/TO/IMAGE'])
def classification(images=None,
paths=None,
batch_size=1,
use_gpu=False,
top_k=1):
参数
返回
PaddleHub Serving可以部署一个图像识别的在线服务。
$ hub serving start -m efficientnetb2_imagenet
这样就完成了一个图像识别的在线服务的部署,默认端口号为8866。
NOTE: 如使用GPU预测,则需要在启动服务之前,请设置CUDA_VISIBLE_DEVICES环境变量,否则不用设置。
配置好服务端,以下数行代码即可实现发送预测请求,获取预测结果
import requests
import json
import cv2
import base64
def cv2_to_base64(image):
data = cv2.imencode('.jpg', image)[1]
return base64.b64encode(data.tostring()).decode('utf8')
# 发送HTTP请求
data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/efficientnetb2_imagenet"
r = requests.post(url=url, headers=headers, data=json.dumps(data))
# 打印预测结果
print(r.json()["results"])
1.0.0
初始发布
1.1.0
提升预测性能以及易用性
1.2.0
移除 Fluid API