使用免费 FlaskAPI 部署 YOLOv8

目标检测和实例分割是计算机视觉中关键的任务，使计算机能够在图像和视频中识别和定位物体。YOLOv8是一种先进的、实时的目标检测系统，因其速度和准确性而备受欢迎。

Flask是一个轻量级的Python Web框架，简化了Web应用程序的开发。通过结合Flask和YOLOv8，我们可以创建一个易于使用、灵活的目标检测任务API。

在这篇文章中，我将向您展示如何仅使用Flask API部署YOLOv8目标检测和实例分割模型，仅供个人使用。由于这不是在生产环境中部署服务的正确方式。

AWS中创建一个免费实例

个人项目的成本效益解决方案Amazon Web Services（AWS）为刚刚入门或从事个人项目的用户提供了免费层选项。只要您的使用保持在指定限制范围内，此选项允许您探索和利用各种AWS服务，而不会产生额外费用。免费层实例非常适合熟悉AWS并尝试不同服务之前，小规模应用程序的运行、测试新想法，甚至部署YOLOv8 API。创建AWS账户后，您必须按照以下步骤操作：

1. 选择您的地区（我将使用eu-west-1）并转到EC2

2. 单击“启动实例”按钮

3. 选择您的映像，我更喜欢Ubuntu 20.04，并选择您的实例类型“免费层符合条件”

4. 创建您的密钥对（实例密钥访问）

5. 将存储设置为30GB，第一年免费。然后按“启动实例”

6. 更改端口设置并打开实例的端口5000

准备实例以部署YOLOv8 FlaskAPI

在本教程中，我使用了我的个人笔记本电脑运行Ubuntu 20.04来演示该过程。如果您使用不同的操作系统，如Windows或macOS，建立SSH连接的过程可能会有所不同。

1. 使用刚刚下载的密钥对连接到您的实例：

sudo chmod 400 yourkey.pem
sudo your_path/yourkey.pem [email protected]
sudo apt-get install libgl1-mesa-glx # required by OpenCV

2. 更新和安装必要的库：首先，使用以下命令更新系统上的包列表：

# Update and install necessary libraries
sudo apt update
sudo apt-get install libgl1-mesa-glx # needed by OpenCV

3. 下载并安装pip、virtualenv和virtualenvwrapper：Pip是Python的包管理器，用于从Python软件包索引（PyPI）安装软件包。而virtualenv和virtualenvwrapper是用于为您的项目创建隔离的Python环境的工具。使用以下命令下载并安装pip：

# Download and install pip
wget https://bootstrap.pypa.io/get-pip.py
sudo python3 get-pip.py rm get-pip.py 
# Install virtualenv
pip install virtualenv virtualenvwrapper

4. 设置虚拟环境：要设置虚拟环境，请在您的.bashrc文件中添加以下行，然后对其进行源代码：

# Virtual Environments
USER=ubuntu
echo -e "\n# virtualenv and virtualenvwrapper" >> ~/.bashrc
echo "export WORKON_HOME=$HOME/.virtualenvs" >> ~/.bashrc
echo "export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3" >> ~/.bashrc
echo "export VIRTUALENVWRAPPER_VIRTUALENV=/home/$USER/.local/bin/virtualenv" >> ~/.bashrc
echo "source /home/$USER/.local/bin/virtualenvwrapper.sh" >> ~/.bashrc
source ~/.bashrc

5. 增加交换内存：通过分配6GB到交换文件并将其添加到fstab文件来增加交换内存：

# Increase the swap memory
sudo fallocate -l 6G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

6. 克隆YOLOv8 API存储库并部署API：克隆存储库并为YOLOv8 API创建一个新的虚拟环境：

# Clone repo and deploy your API
git clone https://github.com/hdnh2006/YOLOv8API
cd YOLOv8API
mkvirtualenv YOLOv8API

7. 安装torch和torchvision（仅支持CPU功能）：使用以下命令安装torch和torchvision软件包：

# Install torch and torchvision (just CPU functions)
pip install torch torchvision -f https://download.pytorch.org/whl/cpu/torch_stable.html

8. 使用screen在后台运行模型：使用screen命令在后台运行YOLOv8 API，并通过运行以下命令允许访问端口5000来在端口5000上运行模型：

# The model will run in the background
screen -S YOLOv8API
workon YOLOv8API
python segment_api.py --weights yolov8s-seg.pt --port 5000


# Open the port of your instance
sudo ufw allow 5000

9. 最后一步：“享受”自己的成果，浏览器转http://ec2-ip-of-your-instance.eu-west-1.compute.amazonaws.com:5000，现在，您可以运行一个Flask应用程序，部署YOLOv8目标检测或实例分割模型作为API。用户可以通过一个简单的Web界面与API互动，或通过向/detect端点发出HTTP请求来互动。

结论

在本文中，我们演示了如何使用Flask API部署YOLOv8目标检测模型，仅供个人使用。这种方法为各种应用中的目标检测和实例分割任务提供了一种灵活、易于使用的解决方案，如安全系统、个人防护装备、物体计数。

·  END  ·

HAPPY LIFE

本文仅供学习交流使用，如有侵权请联系作者删除