• OpenVino工业仪表读数
• • 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

OpenVino工业仪表读数

使用OpenVino推理引擎调用PaddlePaddle的预训练模型 PPYOLOv2 和 DeepLabV3P 来读取工业仪表刻度值。

1. Run detection model to find the meters, and crop them from the origin photo.
2. Run segmentation model on these cropped meters to get the pointer and scale instance.
3. Find the location of the pointer in scale map.

模型来源：

• PPYOLOv2: https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyolo
• DeepLabV3P: https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/configs/deeplabv3p

示例：

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