• MindSpore图像分类-MobileNetV3
• • 模型应用开发和部署
  • • 模型服务化
    • 直接源代码运行
    • 本地容器化部署
    • 云原生网络部署
    • 更多CubeAI模型服务，参见： 《CubeAI服务原生模型示范库》
  • API接口

MindSpore图像分类-MobileNetV3

使用 MindSpore Lite推理引擎 基于 MindSpore ModelZoo 中的预训练模型 MobileNetV3 开发的图像分类应用。

预训练模型下载：

• MobileNetV3: https://www.mindspore.cn/resources/hub/details?MindSpore/1.9/mobilenetv3large_imagenet2012

这里下载的预训练模型是 .ckpt 格式的。为了使用MindSpore Lite推理引擎进行推理，需要首先将其转换成 .mindir 格式的中间模型，然后再调用 convertor_lite 将其转换成 .ms 格式模型。

python3 export.py --checkpoint_path mobilenetv3_ascend_v180_imagenet2012_official_cv_top1acc74.42.ckpt --device_target CPU --file_name mobilenetv3 --file_format MINDIR
converter_lite --fmk=MINDIR --modelFile=mobilenetv3.mindir --outputFile=mobilenetv3

模型应用开发和部署

模型服务化

本模型基于 ServiceBoot微服务引擎 进行服务化封装，参见： 《CubeAI模型开发指南》

直接源代码运行

$ sh pip-install-reqs.sh
$ serviceboot start
或
$ python3 run_model_server.py

本地容器化部署

一键式本地容器化部署和运行，参见： 《CubeAI模型独立部署指南》 或 CubeAI Docker Builder

云原生网络部署

本模型服务可一键发布至 CubeAI智立方平台 进行共享和部署，参见： 《CubeAI模型发布指南》

更多CubeAI模型服务，参见： 《CubeAI服务原生模型示范库》

API接口

本模型提供了4个API接口：

• API接口1：

  • API端点： /api/data

  • HTTP方法： POST

  • HTTP请求体：

    {
        "action": "predict",
        "args": {
            "img": <压缩图像的base64编码字符串（或其Data URL表示）>
        }
    }
    

  • HTTP响应体：

    {
        "status": "ok"|"err",
        "value": [<results>, <带目标检测标注的base64编码压缩图像URL>]
    }
    

• API接口2：

  • API端点： /api/data

  • HTTP方法： POST

  • HTTP请求体：

    {
        "action": "predict_video",
        "args": {
            "url": <云端视频流媒体URL, 例如： rtmp://localhost/live/ch1>
        }
    }
    

  • HTTP响应体：

    {
        "status": "ok"|"err",
        "value": <(流媒体当前帧图像)带目标检测标注的base64编码压缩图像URL>
    }
    

• API接口3：

  • API端点： /api/stream/predict

  • HTTP方法： POST

  • HTTP请求体： <二进制编码的压缩图像字节流>

  • HTTP响应体： 同API接口1

• API接口4：

  • API端点： /api/file/predict

  • HTTP方法： POST

  • HTTP请求体： <用于HTTP文件上传的XHR格式请求体>

  • HTTP响应体： 同API接口1