【LattePanda Mu 开发套件】AI 图像识别网页服务器

【LattePanda Mu 开发套件】AI 图像识别网页服务器

本文介绍了 LattePanda Mu 开发套件实现了 AI 图像识别的网页服务器部署,包括关键代码、效果演示等流程。

项目介绍

该项目包括 AI 模型准备、Web 网页服务器部署、图像测试等流程。

  • 准备工作:包括硬件及系统安装、Python 部署、库环境安装等;
  • 流程图:网页服务器的代码编写逻辑,以及执行框架;
  • 代码:包括实现网页服务器的关键 HTML 代码;
  • 测试效果:包括测试方案、图像识别流程、方案解析等。

准备工作

  • LattePanda Mu Kit 硬件安装完成,包括 HDMI 连接显示器、电源、鼠标键盘、散热器、局域网连接等;

  • 操作系统安装和更新,这里使用 Windows 11 Enterprese IoT LTSC x64 系统;

  • 下载并安装 Python 软件,并安装必要的库,如 opencv-python、flask、ultralytics 等;

  • 下载 AI 视觉识别所需的 YOLO 预训练模型文件,如 yolov8n.pt ,以便后续调用和快速实现;

详见:【LattePanda Mu 开发套件】AI 视觉应用开发------物体识别- Makelog(造物记) .

流程图

代码

新建 ai_web_server.py 文件,添加如下代码

python 复制代码
"""
手机上传 + YOLOv8画框 + 网页回显
单文件运行:python app.py
"""
import cv2
from flask import Flask, render_template_string, request, jsonify
from ultralytics import YOLO
from pathlib import Path
import base64
import numpy as np
from io import BytesIO
from PIL import Image

app = Flask(__name__)
model = YOLO("models/yolov8n.pt")          #  加载模型文件

UPLOAD = Path("static")
UPLOAD.mkdir(exist_ok=True)

# -------------- 主页 --------------------
HTML = '''
<!doctype html>
<title>AI 图像识别网页服务器</title>
<meta name="viewport" content="width=device-width, initial-scale=1">
<style>
  body{font-family:Arial;text-align:center;margin:20px}
  img{max-width:100%;box-shadow:0 0 10px #ccc}
  #resList{text-align:left;display:inline-block;margin-top:10px}
</style>

<h2>选择图片 → 上传 → 查看结果</h2>
<form id="uploadForm">
  <input type="file" name="image" accept="image/*" required>
  <button type="submit">上传识别</button>
</form>

<div id="output" style="display:none;">
  <h3>识别结果</h3>
  <img id="resultImg" src="">
  <div id="resList"></div>
</div>

<script>
document.getElementById('uploadForm').onsubmit = async (e)=>{
  e.preventDefault();
  let fd = new FormData(e.target);
  let resp = await fetch('/detect', {method:'POST', body:fd});
  let j = await resp.json();
  if(j.error){ alert(j.error); return; }
  // 显示图片
  document.getElementById('resultImg').src = j.image;
  // 显示文字
  let txt = j.objects.map(o=>`${o.label}  ${(o.conf*100).toFixed(1)}%  框${o.box}`).join('<br>');
  document.getElementById('resList').innerHTML = txt || '未检测到物体';
  document.getElementById('output').style.display = 'block';
}
</script>
'''

@app.route("/")
def index():
    return render_template_string(HTML)

# -------------- 识别接口 -----------------
@app.route("/detect", methods=["POST"])
def detect():
    if "image" not in request.files:
        return jsonify(error="无文件"), 400

    file = request.files["image"]
    img = Image.open(file.stream).convert("RGB")
    img_np = np.array(img)
    results = model(img_np)

    # 画框(无框时返回原图)
    ann_rgb = results[0].plot()          # 返回 RGB
    if ann_rgb is None:
        ann_rgb = img_np
    ann_bgr = cv2.cvtColor(ann_rgb, cv2.COLOR_RGB2BGR)
    ok, buf = cv2.imencode('.jpg', ann_bgr)
    img_b64 = base64.b64encode(buf).decode()

    # 文字结果
    objs = [
        {
            "label": results[0].names[int(box.cls)],
            "conf":  float(box.conf),
            "box":   [int(x) for x in box.xyxy[0]]
        }
        for box in results[0].boxes
    ]

    return jsonify(objects=objs, image=f"data:image/jpeg;base64,{img_b64}")

# -------------- 启动 --------------------
if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000, threaded=True)
  • 保存代码;

效果

  • 打开命令行终端,进入 python 文件所在路径;
  • 运行指令 python ai_web_server.py ;
  • 浏览器打开终端提示创建的服务器对应的 HTTP 超链接,如http://172.31.92.160:5000/,进入其终端界面;
  • 选择 Choose File 打开目标图片,点击 上传识别 ,即可获得识别结果

更多场景距离,如

  • 办公桌面
  • 户外运动

同时终端输出识别结果信息

动态效果

总结

该项目实现了 AI 图像识别的网页服务器部署,包括关键代码、效果演示等,特点如下

  • 可实现手机等智能终端或边缘 AI 嵌入式设备的远程网络访问,
  • 将复杂的 AI 图像识别推理和运算置于云端服务器,
  • 极大释放了终端设备的算力要求,
  • 降低了终端设备的负担,
  • 拓宽了产品在便携式等低功耗需求场景的应用范围。

为相关产品的开发设计和快速应用提供了参考。

相关推荐
The star"'2 小时前
iSCSI服务器
运维·服务器
Derrick__12 小时前
Python常用三方模块——Pillow
开发语言·python·pillow
芒果量化2 小时前
ML4T - 第7章第7节 逻辑回归拟合宏观数据Logistic Regression with Macro Data
人工智能·机器学习·逻辑回归·线性回归
西岭千秋雪_2 小时前
RAG核心特性:ETL
数据仓库·人工智能·spring boot·ai编程·etl
小蕾Java3 小时前
PyCharm保姆级详细使用手册(Python新手快速上手篇)
ide·python·pycharm
阿星_3 小时前
PyCharm项目依赖库的备份与还原方法
linux·服务器·python
无风听海3 小时前
神经网络之Softmax激活函数求导过程
人工智能·深度学习·神经网络
youcans_3 小时前
【Trae】Trae 插件实战手册(1)PyCharm 安装 Trae
人工智能·python·pycharm·ai编程·trae
xuegao08073 小时前
WSL安装并配置到pyCharm
ide·python·pycharm