基于 Flask 与 PyTorch 的图像分类 API 服务搭建

基于 Flask 与 PyTorch 的图像分类 API 服务搭建

在深度学习项目落地时，将训练好的模型封装成可远程调用的 API 接口是核心环节。本文将完整讲解如何基于 Flask（轻量级 Web 框架）和 PyTorch（深度学习框架），实现图像分类服务端 API 开发 + 客户端调用的全流程，让训练好的模型通过 HTTP 接口对外提供预测服务。

一、服务端开发：搭建图像分类 API 接口

服务端的核心职责是：加载预训练模型、接收客户端上传的图片、预处理图片、执行预测、返回 JSON 格式的预测结果。

1. 完整服务端代码

import io
import flask
import torch
import torch.nn.functional as F
from PIL import Image
from torch import nn
from torchvision import transforms, models

# 初始化 Flask 应用
app = flask.Flask(__name__)

# 全局变量：模型实例、是否使用 GPU
model = None
use_gpu = False

# 测试阶段建议关闭 GPU，避免环境问题
def load_model():
    """加载预训练的 ResNet18 模型（可替换为自定义模型）"""
    global model
    # 1. 加载 ResNet18 主干网络
    model = models.resnet18(pretrained=False)
    # 不加载默认预训练权重
    # 2. 修改全连接层，适配自定义分类任务（示例为 102 分类）
    num_ftrs = model.fc.in_features
    model.fc = nn.Sequential(nn.Linear(num_ftrs, 102))
    # 3. 加载训练好的权重文件
    checkpoint = torch.load('best.pth', map_location='cpu')
    # 强制使用 CPU，避免 GPU/CPU 不匹配
    model.load_state_dict(checkpoint['state_dict'])
    # 4. 设置模型为评估模式（禁用 Dropout/BatchNorm 更新）
    model.eval()
    # 5. 可选：使用 GPU（需确保环境有 CUDA）
    if use_gpu and torch.cuda.is_available():
        model.cuda()

 ():
    
    
     image.mode != :
        image = image.convert()
    
    transform = transforms.Compose([
        transforms.Resize(target_size),
        transforms.ToTensor(),
        transforms.Normalize([, , ], [, , ])  
    ])
    image = transform(image)
    
    image = image.unsqueeze()
    
     use_gpu  torch.cuda.is_available():
        image = image.cuda()
     image


 ():
    
    
    data = {: }
    
     flask.request.method == :
        
         flask.request.files.get():
            :
                
                image_bytes = flask.request.files[].read()
                image = Image.(io.BytesIO(image_bytes))
                
                image = prepare_image(image)
                
                 torch.no_grad():
                    preds = F.softmax(model(image), dim=)
                    
                
                top3_probs, top3_labels = torch.topk(preds.cpu(), k=, dim=)
                
                data[] = []
                 prob, label  (top3_probs.numpy()[], top3_labels.numpy()[]):
                    data[].append({
                        : (label),
                        : (prob)
                    })
                
                data[] = 
             Exception  e:
                ()
    
     flask.jsonify(data)

 __name__ == :
    ()
    load_model()
    
    ()
    
    app.run(host=, port=, debug=)