yolov5部署+微信小程序前端展示

分为yolov5项目部署和微信小程序两部分，先介绍微信小程序前端展示+flask后端，之后介绍项目部署这部分。

一、先上效果图

1. 点击选择图片，调用摄像头选择图片

 

2.选择图片之后，点击开始检测，然后返回结果

 ​​​​​​​

 

 二、前端代码

wxml文件：

view class="container">
    
      
      选择图片
      开始检测
    
    
      {{name_and_nums}}
      {{item.name}}: {{item.value}} 
    
  

js文件，分为两部分，一部分是调用摄像头，另一部分是图片检测

1. 数据定义：

data: {
    avatarUrl: 'res.png',
    base64imgurl: null,
    name_num: '',
    names: [],
    name_and_nums: ''

  },

2. 调用摄像头，使用微信小程序中的wx.chooseImage接口,并使用wx.setStorage接口对图片路径进行保存。代码：

chooseimg: function() {
    var that = this
    // 选择图片
    wx.chooseImage({
      count: 1,
      sizeType: ['original', 'compressed'],
      sourceType: ['album', 'camera'],
      success(res) {
        // tempFilePath可以作为 img 标签的 src 属性显示图片
        var tempFilePaths = res.tempFilePaths
        console.log(tempFilePaths)
        that.setData({avatarUrl:tempFilePaths[0]})
        console.log(tempFilePaths[0])
    wx.setStorage({key:'img_path', data: tempFilePaths[0]})
}

3. 先使用wx.getImageInfo获取上一步保存的图片格式（png/jpg等），然后调用wx.uploadFile接口，将图片上传到服务器，然后使用训练好的权重参数对图片进行检测，然后返回结果，因为返回的结果是一种图像流。为了在前端对图片进行展示，需要在图片编码前加字段：‘data:image/png;base64’，将图片格式转换为base64格式。代码：

submitimg: function(){
    var img_path
    var that
    wx.getImageInfo({
          src: img_path,
          success(res){
          imgtype = res.type
          console.log(imgtype)
      }
    })
    wx.uploadFile({
          filePath: img_path,
          name: 'image',
          url: '服务器地址',
          // 上传成功！
          success(res){
            console.log(res)
            var img_data =  JSON.parse(res.data).data.image
            var base64str_img = 'data:image/' + imgtype + ';base64,' + img_data
            that.setData({avatarUrl: base64str_img})
            
          // 上传失败
          fail(){
          console.log('--failed--')
    
          }
        })
      }
}

（PS：在前端定义了传入的数据名为image，所以，flask后端接收数据名也同样为image）

//前端：

wx.uploadFile({
      filePath: img_path,
      name: 'image',
      url: 服务器地址
})

//后端
img_file = request.files["image"]

三、后端代码

后端这里使用的是flask，这部分的使用相对比较简单

1. 因为model返回的结果是一个list，里面有dict组成，主要就是框的左上角、右下角左边、类别以及类别名。之后对这个result进行处理，写一个画图的py文件，根据输入的图像和得到result画框，将画框后的结果保存到save_path中，然后再将图像格式进行转换为base64（返回的数据格式：（这里的img_res已经是经过画框之后的结果））

2. 然后因为前端的要求，返回的形式需要用json格式，同时也需要将返回结果放在data里面，方便前端读取后端返回的数据。

@app.route(DETECTION_URL, methods=["POST"])
def predict():
    if request.method != "POST":
        return jsonify({"code": 2, "msg": "the request method is error!", "data": {"isSecret": "null"}})
    if request.files.get("image"):
        # 将读取的图片流转换为图片格式
        im_file = request.files["image"]
        im_bytes = im_file.read()
        im = Image.open(io.BytesIO(im_bytes))
        #将图片输入到模型中，输出的结果是一个list，带有坐标类别等信息
        results = model(im, size=640)  # reduce size=320 for faster inference
        # 预测的结果（坐标 种类 置信度）
        result = results.pandas().xyxy[0].to_json(orient="records")

        img_res = ''
        with open(save_path, 'rb') as f:
            img_res = f.read()
            img_res = base64.b64encode(img_res)
        
        return jsonify({ "data": {"detect_res": "yes", "image": str(img_res, 'utf-8')}})

if __name__ == "__main__":
    torch.hub._validate_not_a_forked_repo = lambda a, b, c: True

    model = torch.hub.load("path", "custom", path="./best.pt", source="local", force_reload=False)  # force_reload to recache

最后！总结一下，之前刚开始要做的时候，感觉还挺难的，真的开始做的时候，感觉还行（虽然做的比较简单，页面也不是很好看，css一生之敌！！！） 

之后，会学一下项目的部署，目前用的是别人部署好的，但是还是要自己学学的！！！

ps：为什么会写这个博客呢？因为在刚开始找资料的时候，找到一个博客，感觉和我的需求一样，于是就点进去看，结果是一个购买链接，还卖399！！！就这么个东西就399！！我表示很无语，就决定自己写好了之后一定要公开！！！如果大家有什么问题，可以留言，我们一起共同学习！！！