微信小程序前端怎么调用python后端的模型

这篇文章主要介绍“微信小程序前端怎么调用python后端的模型”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“微信小程序前端怎么调用Python后端的模型”文章能帮助大家解决问题。

需求：

小程序端拍照调用python训练好的图片分类模型。实现图片分类识别的功能。

微信小程序端：

重点在chooseImage函数中，根据图片路径获取到图片传递给flask的url;

Page({    data: {        SHOW_TOP: true,        canRecordStart: false,    },    data: {        tempFilePaths:'',        sourceType: ['camera', 'album']      },    isSpeaking: false,    accessToken: "",    onLoad: function (options) {                console.log("onLoad！");        this.setHeader();        var that=this        wx.showShareMenu({            withShareTicket: true //要求小程序返回分享目标信息        });        var isshowed = wx.getStorageSync("tip");        if (isShowed != 1) {            setTimeout(() => {                this.setData({                    SHOW_TOP: false                })                wx.setStorageSync("tip", 1)            }, 3 * 1000)        } else {            this.setData({                SHOW_TOP: false            })        };    },    },     //头像点击处理事件，使用wx.showActionSheet()调用菜单栏 buttonclick: function () {    const that = this    wx.showActionSheet({      itemList: ['拍照', '相册'],      itemColor: '',      //成功时回调      success: function (res) {        if (!res.cancel) {                    that.chooseImage(res.tapindex)        }      },      setHeader(){    const tempFilePaths = wx.getStorageSync('tempFilePaths');    if (tempFilePaths) {      this.setData({        tempFilePaths: tempFilePaths      })    } else {      this.setData({        tempFilePaths: '/images/camera.png'      })    }  },  chooseImage(tapIndex) {    const checkeddata = true    const that = this    wx.chooseImage({    //count表示一次可以选择多少照片      count: 1,      //sizeType所选的图片的尺寸，original原图，compressed压缩图      sizeType: ['original', 'compressed'],      //如果sourceType为camera则调用摄像头，为album时调用相册      sourceType: [that.data.sourceType[tapIndex]],      success(res) {        // tempFilePath可以作为img标签的src属性显示图片        console.log(res);        const tempFilePaths = res.tempFilePaths        //将选择到的图片缓存到本地storage中        wx.setStorageSync('tempFilePaths', tempFilePaths)                that.setHeader();        // wx.showToast({        //   title: '设置成功',        //   icon: 'none',        // //   duration: 2000        // })        wx.showLoading({            title: '识别中...',        })                var team_image = wx.getFileSystemManager().readFileSync(res.tempFilePaths[0], "base64")        wx.request({          url: 'Http://127.0.0.1:5000/upload', //API地址，upload是我给路由起的名字，参照下面的python代码          　　　　　 　　　　　method: "POST",          header: {            　　　　　　　　　'content-type': "application/x-www-fORM-urlencoded",            　　　　　　　　},          data: {image: team_image},//将数据传给后端             success: function (res) {            console.log(res.data);  //控制台输出返回数据              wx.hideLoading()            wx.showModal({                title: '识别结果',                 confirmText: "识别正确",                cancelText:"识别错误",                content: res.data,                 success: function(res) {                 if (res.confirm) {                console.log('识别正确')                } else if (res.cancel) {                console.log('重新识别')                }                }                })               }        })      }    })  },});

flask端：

将图片裁剪，填充，调用自己训练保存最优的模型，用softmax处理结果矩阵，最后得到预测种类

# coding=utf-8from flask import Flask, render_template, request, JSONifyfrom werkzeug.utils import secure_filenamefrom datetime import timedeltafrom flask import Flask, render_template, requestimport torchvision.transforms as transformsfrom PIL import Imagefrom torchvision import modelsimport osimport torchimport jsonimport numpy as npimport torch.nn as nnimport matplotlib.pyplot as pltimport base64app = Flask(__name__)def softmax(x):    exp_x = np.exp(x)    softmax_x = exp_x / np.sum(exp_x, 0)    return softmax_xwith open('dir_label.txt', 'r', encoding='utf-8') as f:    labels = f.readlines()    print("oldlabels:",labels)    labels = list(map(lambda x: x.strip().split('\t'), labels))    print("newlabels:",labels)def padding_black(img):    w, h = img.size    scale = 224. / max(w, h)    img_fg = img.resize([int(x) for x in [w * scale, h * scale]])    size_fg = img_fg.size    size_bg = 224    img_bg = Image.new("RGB", (size_bg, size_bg))    img_bg.paste(img_fg, ((size_bg - size_fg[0]) // 2,                              (size_bg - size_fg[1]) // 2))    img = img_bg    return img# 输出@app.route('/')def hello_world():    return 'Hello World!'# 设置允许的文件格式ALLOWED_EXTENSIONS = set(['png', 'jpg', 'JPG', 'PNG', 'bmp'])def allowed_file(filename):    return '.' in filename and filename.rsplit('.', 1)[1] in ALLOWED_EXTENSIONS# 设置静态文件缓存过期时间app.send_file_max_age_default = timedelta(seconds=1)# 添加路由@app.route('/upload', methods=['POST', 'GET'])def upload():    if request.method == 'POST':        # 通过file标签获取文件        team_image = base64.b64decode(request.form.get("image"))  # 队base64进行解码还原。        with open("static/111111.jpg", "wb") as f:            f.write(team_image)        image = Image.open("static/111111.jpg")        # image = Image.open('laji.jpg')        image = image.convert('RGB')        image = padding_black(image)        transform1 = transforms.Compose([            transforms.Resize(224),            transforms.ToTensor(),        ])        image = transform1(image)        image = image.unsqueeze(0)        # image = torch.unsqueeze(image, dim=0).float()        print(image.shape)        model = models.resnet50(pretrained=False)        fc_inputs = model.fc.in_features        model.fc = nn.Linear(fc_inputs, 214)        # model = model.cuda()        # 加载训练好的模型        checkpoint = torch.load('model_best_checkpoint_resnet50.pth.tar')        model.load_state_dict(checkpoint['state_dict'])        model.eval()        src = image.numpy()        src = src.reshape(3, 224, 224)        src = np.transpose(src, (1, 2, 0))        # image = image.cuda()        # label = label.cuda()        pred = model(image)        pred = pred.data.cpu().numpy()[0]        score = softmax(pred)        pred_id = np.argmax(score)        plt.imshow(src)        print('预测结果：', labels[pred_id][0])        # return labels[pred_id][0];        return json.dumps(labels[pred_id][0], ensure_ascii=False)//将预测结果传回给前端        # plt.show()    #     return render_template('upload_ok.html')    #     重新返回上传界面    # return render_template('upload.html')if __name__ == '__main__':    app.run(debug=False)

大致的效果：

关于“微信小程序前端怎么调用python后端的模型”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网Python频道，小编每天都会为大家更新不同的知识点。