4

我正在研究 Google Cloud ML，我想对 jpeg 图像进行预测。为此，我想使用：

gcloud beta ml predict --instances=INSTANCES --model=MODEL [--version=VERSION]

（https://cloud.google.com/ml/reference/commandline/predict）

Instances 是包含有关图像的所有信息的 json 文件的路径。如何从我的 jpeg 图像创建 json 文件？

非常感谢！！

4

3 回答 3

7

第一步是确保您导出的图形具有可以接受 JPEG 数据的占位符和操作。请注意，CloudML 假设您要发送一批图像。我们必须使用 atf.map_fn来解码和调整一批图像的大小。根据模型的不同，可能需要对数据进行额外的预处理以规范化数据等。如下所示：

# Number of channels in the input image
CHANNELS = 3

# Dimensions of resized images (input to the neural net)
HEIGHT = 200
WIDTH = 200

# A placeholder for a batch of images
images_placeholder = tf.placeholder(dtype=tf.string, shape=(None,))

# The CloudML Prediction API always "feeds" the Tensorflow graph with
# dynamic batch sizes e.g. (?,).  decode_jpeg only processes scalar
# strings because it cannot guarantee a batch of images would have
# the same output size.  We use tf.map_fn to give decode_jpeg a scalar
# string from dynamic batches.
def decode_and_resize(image_str_tensor):
  """Decodes jpeg string, resizes it and returns a uint8 tensor."""

  image = tf.image.decode_jpeg(image_str_tensor, channels=CHANNELS)

  # Note resize expects a batch_size, but tf_map supresses that index,
  # thus we have to expand then squeeze.  Resize returns float32 in the
  # range [0, uint8_max]
  image = tf.expand_dims(image, 0)
  image = tf.image.resize_bilinear(
      image, [HEIGHT, WIDTH], align_corners=False)
  image = tf.squeeze(image, squeeze_dims=[0])
  image = tf.cast(image, dtype=tf.uint8)
  return image

decoded_images = tf.map_fn(
    decode_and_resize, images_placeholder, back_prop=False, dtype=tf.uint8)

# convert_image_dtype, also scales [0, uint8_max] -> [0, 1).
images = tf.image.convert_image_dtype(decoded_images, dtype=tf.float32)

# Then shift images to [-1, 1) (useful for some models such as Inception)
images = tf.sub(images, 0.5)
images = tf.mul(images, 2.0)

# ...

此外，我们需要确保正确标记输入，在这种情况下，输入的名称（映射中的键）必须以_bytes. 在发送 base64 编码数据时，它会让 CloudML 预测服务知道它需要对数据进行解码：

inputs = {"image_bytes": images_placeholder.name}
tf.add_to_collection("inputs", json.dumps(inputs))

gcloud 命令预期的数据格式为：

{"image_bytes": {"b64": "dGVzdAo="}}

（注意，如果image_bytes是模型的唯一输入，您可以简化为{"b64": "dGVzdAo="}）。

例如，要从磁盘上的文件创建它，您可以尝试以下操作：

echo "{\"image_bytes\": {\"b64\": \"`base64 image.jpg`\"}}" > instances

然后将其发送到服务，如下所示：

gcloud beta ml predict --instances=instances --model=my_model

请注意，当直接向服务发送数据时，您发送的请求正文需要包装在“实例”列表中。所以上面的 gcloud 命令实际上在 HTTP 请求的正文中向服务发送了以下内容：

{"instances" : [{"image_bytes": {"b64": "dGVzdAo="}}]}
于 2016-11-29T01:26:10.333 回答
2

只是为了堆积上一个答案......

谷歌发布了一篇关于图像识别任务的博客文章和一些相关代码，这些代码将直接解决您的问题以及您可能会发现的更多问题。它包含一个 images_to_json.py 文件来帮助构建 json 请求

于 2016-12-16T21:48:02.217 回答
0

在 python 中，您可以使用以下代码创建与“gcloud ml-engine predict”一起使用的 base64 JSON 文件：

import json
import base64
with open('path_to_img.jpg', 'rb') as f:
    img_bytes = base64.b64encode(f.read())
json_data = {'image_bytes': {'b64': img_bytes.decode('ascii')}}
with open('path_to_json_file.json', 'w+') as f:
    json.dump(json_data, f)

我花了很长时间让所有这些都为 TensorFlow Keras 模型和 Google Cloud ML 工作。在终于让一切正常工作之后，我整理了一个代码示例，希望它可以帮助其他在将 TF 模型部署到 Google Cloud ML 时遇到同样问题的人。它可以在这里找到：https ://github.com/mhwilder/tf-keras-gcloud-deployment 。

于 2018-09-24T20:10:53.930 回答