PaddleHub轻量级服务化部署¶

简介¶

借助PaddleHub-Serving，可以将PaddleX的Inference Model进行快速部署，以提供在线预测的能力。

关于PaddleHub-Serving的更多信息，可参照PaddleHub-Serving。

注意：使用此方式部署，需确保自己Python环境中PaddleHub的版本高于1.8.0, 可在命令终端输入pip show paddlehub确认版本信息。

下面，我们按照步骤，实现将一个图像分类模型MobileNetV3_small_ssld转换成PaddleHub的预训练模型，并利用PaddleHub-Serving实现一键部署。

模型部署¶

1 部署模型准备¶

部署模型的格式均为目录下包含__model__，__params__和model.yml三个文件，如若不然，则参照部署模型导出文档进行导出。

2 模型转换¶

首先，我们将PaddleX的Inference Model转换成PaddleHub的预训练模型，使用命令hub convert即可一键转换，对此命令的说明如下：

$ hub convert --model_dir XXXX \
              --module_name XXXX \
              --module_version XXXX \
              --output_dir XXXX

参数：

参数	用途
--model_dir/-m	`PaddleX Inference Model`所在的目录
--module_name/-n	生成预训练模型的名称
--module_version/-v	生成预训练模型的版本，默认为`1.0.0`
--output_dir/-o	生成预训练模型的存放位置，默认为`{module_name}_{timestamp}`

因此，我们仅需要一行命令即可完成预训练模型的转换。

 hub convert --model_dir mobilenetv3_small_ssld_imagenet_hub --module_name mobilenetv3_small_ssld_imagenet_hub

转换成功后会打印提示信息，如下：

$ The converted module is stored in `MobileNetV3_small_ssld_hub_1596077881.868501`.

等待生成成功的提示后，我们就在输出目录中得到了一个PaddleHub的一个预训练模型。

3 模型安装¶

在模型转换一步中，我们得到了一个.tar.gz格式的预训练模型压缩包，在进行部署之前需要先安装到本机，使用命令hub install即可一键安装，对此命令的说明如下：

$ hub install ${MODULE}

其中${MODULE}为要安装的预训练模型文件路径。

因此，我们使用hub install命令安装：

hub install MobileNetV3_small_ssld_hub_1596077881.868501/mobilenetv3_small_ssld_imagenet_hub.tar.gz

安装成功后会打印提示信息，如下：

$ Successfully installed mobilenetv3_small_ssld_imagenet_hub

4 模型部署¶

下面，我们只需要使用hub serving命令即可完成模型的一键部署，对此命令的说明如下：

$ hub serving start --modules/-m [Module1==Version1, Module2==Version2, ...] \
                    --port/-p XXXX
                    --config/-c XXXX

参数：

参数	用途
--modules/-m	PaddleHub Serving预安装模型，以多个Module==Version键值对的形式列出 `当不指定Version时，默认选择最新版本`
--port/-p	服务端口，默认为8866
--config/-c	使用配置文件配置模型

因此，我们仅需要一行代码即可完成模型的部署，如下：

$ hub serving start -m mobilenetv3_small_ssld_imagenet_hub

等待模型加载后，此预训练模型就已经部署在机器上了。

我们还可以使用配置文件对部署的模型进行更多配置，配置文件格式如下：

{
  "modules_info": {
    "mobilenetv3_small_ssld_imagenet_hub": {
      "init_args": {
        "version": "1.0.0"
      },
      "predict_args": {
        "batch_size": 1,
        "use_gpu": false
      }
    }
  },
  "port": 8866
}

|参数|用途| |-|-| |modules_info|PaddleHub Serving预安装模型，以字典列表形式列出，key为模型名称。其中:
init_args为模型加载时输入的参数，等同于paddlehub.Module(**init_args)
predict_args为模型预测时输入的参数，以mobilenetv3_small_ssld_imagenet_hub为例，等同于mobilenetv3_small_ssld_imagenet_hub.batch_predict(**predict_args) |port|服务端口，默认为8866|

5 测试¶

在第二步模型安装的同时，会生成一个客户端请求示例，存放在模型安装目录，默认为${HUB_HOME}/.paddlehub/modules，对于此例，我们可以在~/.paddlehub/modules/mobilenetv3_small_ssld_imagenet_hub找到此客户端示例serving_client_demo.py，代码如下：

# coding: utf8
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')


if __name__ == '__main__':
    # 获取图片的base64编码格式
    img1 = cv2_to_base64(cv2.imread("IMAGE_PATH1"))
    img2 = cv2_to_base64(cv2.imread("IMAGE_PATH2"))
    data = {'images': [img1, img2]}
    # 指定content-type
    headers = {"Content-type": "application/json"}
    # 发送HTTP请求
    url = "http://127.0.0.1:8866/predict/mobilenetv3_small_ssld_imagenet_hub"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))

    # 打印预测结果
    print(r.json()["results"])

使用的测试图片如下：

../_images/test.jpg

将代码中的IMAGE_PATH1改成想要进行预测的图片路径后，在命令行执行：

python ~/.paddlehub/module/MobileNetV3_small_ssld_hub/serving_client_demo.py

即可收到预测结果，如下：

[[{'category': 'envelope', 'category_id': 549, 'score': 0.2141510397195816}]]

到此，我们就完成了PaddleX模型的一键部署。