java 如何 检测目标服务器无响应_5分钟!用Java实现目标检测

java 如何 检测目标服务器无响应_5分钟!用Java实现目标检测_第1张图片

PyTorch在深度学习领域中的应用日趋广泛,得益于它独到的设计。无论是数据的并行处理还是动态计算图,一切都为 Python 做出了很多简化。很多论文都选择使用PyTorch去实现也证明了它在训练方面的效率以及易用性。

在PyTorch领域,尽管部署一个模型有很多选择,可为Java开发人员准备的选项却屈指可数。

在过去,用户可以用PyTorch C++ 写JNI (Java Native Interface) 来实现这个过程。最近,PyTorch 1.4 也发布了试验性的Java 前端。

可是这两种解决方案都没有办法能让Java开发者很好的使用:用户需要从易于使用和易于维护中二选一。

针对于这个问题,亚马逊云服务 (AWS)开源了 Deep Java Library (DJL),一个为Java开发者设计的深度学习库。它兼顾了易用性和可维护性,一切运行效率以及内存管理问题都得到了很好的处理。

DJL使用起来异常简单。只需几行代码,用户就可以轻松部署深度学习模型用作推理。那么我们就开始上手用DJL部署一个PyTorch 模型吧。

前期准备

用户可以轻松使用maven或者gradle等Java常用配置管理包来引用DJL。下面是一个示例:

plugins {

id 'java'

}

repositories {

jcenter()

}

dependencies {

implementation "ai.djl:api:0.4.0"

implementation "ai.djl:repository:0.4.0"

runtimeOnly "ai.djl.pytorch:pytorch-model-zoo:0.4.0"

runtimeOnly "ai.djl.pytorch:pytorch-native-auto:1.4.0"

}

然后只需gradle build,基本配置就大功告成了。

开始部署模型

我们用到的目标检测模型来源于NVIDIA在torchhub发布的预训练模型。我们用下面这张图来推理几个可以识别的物体(狗,自行车以及皮卡)。

java 如何 检测目标服务器无响应_5分钟!用Java实现目标检测_第2张图片

可以通过下面的代码来实现推理的过程:

public  static  void main(String[] args)  throws IOException, ModelException, TranslateException {

String url = "https://github.com/awslabs/djl/raw/master/examples/src/test/resources/dog_bike_car.jpg";

BufferedImage img = BufferedImageUtils.fromUrl(url);

Criteria criteria =

Criteria.builder()

.optApplication(Application.CV.OBJECT_DETECTION)

.setTypes(BufferedImage.class, DetectedObjects. class)

.optFilter("backbone", "resnet50")

.optProgress(new ProgressBar())

.build();

try (ZooModel model = ModelZoo.loadModel(criteria)) {

try (Predictor predictor = model.newPredictor()) {

DetectedObjects detection = predictor.predict(img);

System.out.println(detection);

}

}

}

然后,就结束了。相比于其他解决方案动辄上百行的代码,DJL把所有过程简化到了不到30行完成。那么我们看看输出的结果:

[

class: "dog", probability: 0.96709, bounds: [x=0.165, y=0.348, width=0.249, height=0.539]

class: "bicycle", probability: 0.66796, bounds: [x=0.152, y=0.244, width=0.574, height=0.562]

class: "truck", probability: 0.64912, bounds: [x=0.609, y=0.132, width=0.284, height=0.166]

]

你也可以用我们目标检测图形化API来看一下实际的检测效果:

java 如何 检测目标服务器无响应_5分钟!用Java实现目标检测_第3张图片

你也许会说,这些代码都包装的过于厉害,真正的小白该如何上手呢?

让我们仔细的看一下刚才的那段代码:

// 读取一张图片

String url = "https://github.com/awslabs/djl/raw/master/examples/src/test/resources/dog_bike_car.jpg";

BufferedImage img = BufferedImageUtils.fromUrl(url);

// 创建一个模型的寻找标准

Criteria criteria =

Criteria.builder()

// 设置应用类型:目标检测

.optApplication(Application.CV.OBJECT_DETECTION)

// 确定输入输出类型 (使用默认的图片处理工具)

.setTypes(BufferedImage.class, DetectedObjects. class)

// 模型的过滤条件

.optFilter("backbone", "resnet50")

.optProgress(new ProgressBar())

.build();

// 创建一个模型对象

try (ZooModel model = ModelZoo.loadModel(criteria)) {

// 创建一个推理对象

try (Predictor predictor = model.newPredictor()) {

// 推理

DetectedObjects detection = predictor.predict(img);

System.out.println(detection);

}

}

这样是不是清楚了很多?DJL建立了一个模型库(ModelZoo)的概念,引入了来自于GluonCV, TorchHub, Keras 预训练模型, huggingface自然语言处理模型等70多个模型。所有的模型都可以一键导入,用户只需要使用默认或者自己写的输入输出 工具 就可以实现轻松的推理。我们还在不断的添加各种预训练模型。

了解DJL

40fd6a329f2e7545024035e3dcfc0f56.png

DJL是亚马逊云服务在2019年re:Invent大会推出的专为Java开发者量身定制的深度学习框架,现已运行在亚马逊数以百万的推理任务中。

如果要总结DJL的主要特色,那么就是如下三点:

DJL不设限制于后端引擎:用户可以轻松的使用 MXNet, PyTorch, TensorFlow和fastText来在Java上做模型训练和推理。

DJL的算子设计无限趋近于numpy:它的使用体验上和numpy基本是无缝的,切换引擎也不会造成结果改变。

DJL优秀的内存管理以及效率机制:DJL拥有自己的资源回收机制,100个小时连续推理也不会内存溢出。

James Gosling (Java 创始人) 在使用后给出了赞誉:

6fa00fe26d974917cfff2e690d133947.png

对于PyTorch的支持

你可能感兴趣的:(java,如何,检测目标服务器无响应)