Введение в проект

Данный проект основан на CNN+BLSTM+CTC для распознавания проверочных кодов. Проект предназначен только для развёртывания моделей. Если вам нужно обучить модель, перейдите по ссылке: https://github.com/kerlomz/captcha_trainer.

Информирование

1. В файле requirements.txt по умолчанию устанавливается версия для CPU. Чтобы перейти на версию для GPU, измените «requirements.txt» с «TensorFlow» на «TensorFlow-GPU». Для использования версии для GPU установите соответствующие CUDA и cuDNN.
2. demo.py — пример того, как вызвать метод прогнозирования.
3. Папка model используется для хранения файлов конфигурации модели, таких как model.yaml.
4. Папка graph используется для хранения скомпилированных моделей, таких как model.pb.
5. Служба развёртывания автоматически загрузит все модели из папки model. При добавлении новой конфигурации модели будет автоматически загружена соответствующая скомпилированная модель из папки graph. Поэтому, если вам нужно добавить новую конфигурацию, сначала скопируйте соответствующую скомпилированную модель в папку graph, а затем добавьте конфигурацию модели.

Начало работы

1. Установите среду Python 3.7 (с pip).
2. Установите virtualenv: pip3 install virtualenv.
3. Создайте отдельную виртуальную среду для проекта:

   virtualenv -p /usr/bin/python3 venv # venv — это имя виртуальной среды.
   cd venv/ # venv — это название виртуальной среды.
   source bin/activate # чтобы активировать текущую виртуальную среду.
   cd captcha_platform # captcha_platform — путь к проекту.
4. pip install -r requirements.txt.
5. Поместите обученную модель.yaml в папку model, а вашу модель.pb в папку graph (создайте, если не существует).
6. Разверните следующим образом.

1. Версия HTTP

1. Linux Разверните (Linux/Mac):

   1. Порт: 5000

   pip install gunicorn
   gunicorn -c deploy.conf.py flask_server:app
   2. Порт: 19951

   python flask_server.py
   3. Порт: 19952

   python tornado_server.py
   4. Порт: 19953

   python sanic_server.py

2. Windows Разверните (Windows):

   python xxx_server.py

3. Запрос

   Запрос URI	Content-Type	Тип полезной нагрузки	Метод
   http://localhost:[Bind-port]/captcha/v1	application/json	JSON	POST

   Параметр	Требуется	Тип	Описание
   image	Да	Строка	Двоичный поток в кодировке base64
   model_name	Нет	Строка	Имя модели, привязываемое в конфигурации yaml

   Запрос имеет формат JSON, например: {"image": "двоичный поток изображения в кодировке base64"}

4. Ответ

   Имя параметра	Тип	Описание
   message	Строка	Результаты идентификации или сообщения об ошибках
   code	Строка	Код состояния
   success	Строка	Успех запроса

   Ответ имеет формат JSON, например: {"message": "xxxx", "code": 0, "success": true}

2. Версия G-RPC

Разверните:

python3 grpc_server.py

Порт: 50054

Обновите G-RPC-CODE

python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. ./grpc.proto

Структура каталогов

- captcha_platform
    - grpc_server.py
    - flask_server.py
    - tornado_server.py
    - sanic_server.py
    - demo.py
    - config.yaml
- model
    - model-1.yaml
    - model-2.yaml
    - ...
- graph
    - Model-1.pb
    - ...

Управление моделью

1. Загрузить модель

• Поместите обученную модель pb в папку graph.
• Положите обученный файл конфигурации модели yaml в папку model.

2. Выгрузить модель

• Удалите соответствующий файл конфигурации yaml из папки model.
• Удалите соответствующий файл модели pb из папки graph. Обновите модель

1. Поместите обученную модель в формате pb в папку graph.
2. Положите конфигурационный файл в формате yaml с версией больше текущей версии в папку model.
3. Удалите старые модели и конфигурации.

Лицензия

Этот проект использует лицензию SATA (Star And Thank Author License), поэтому перед использованием вы должны поставить этому проекту звезду. Внимательно прочитайте лицензию.

Введение

https://www.jianshu.com/p/80ef04b16efc

Пожертвования

Большое спасибо за вашу поддержку моего проекта.