### 如何使用 Flask 部署 YOLOv5 模型到 Web 应用 Flask 是一种轻量级的 Python 后端框架，可以用来快速构建 Web 应用程序。YOLOv5 是一个高效的实时目标检测模型。通过将两者结合起来，可以在 Web 环境中实现图像或视频的目标检测功能。 以下是关于如何使用 Flask 部署 YOLOv5 的详细说明： #### 依赖库安装 为了成功运行 YOLOv5 和 Flask，需要先安装必要的依赖库[^2]： ```bash pip install opencv-python==4.4.0.44 matplotlib==3.3.3 numpy==1.19.2 torch==1.6.0+cu101 torchvision==0.7.0+cu101 scipy==1.5.4 tqdm==4.54.1 pyyaml==5.3.1 pillow==8.0.0 flask ``` 这些库提供了处理图像、执行推理以及创建 Web 接口所需的功能。 --- #### 创建 Flask 应用结构 通常情况下，Flask 应用会有一个简单的文件夹结构来管理前端页面和后端逻辑。以下是一个基本的应用结构示例： ``` /flask_yolov5_app /static # 存放静态资源（CSS, JS） /templates # 存放 HTML 文件 app.py # 主应用入口 model.pt # 训练好的 YOLOv5 模型权重文件 ``` --- #### 实现核心代码 下面是如何编写 `app.py` 来加载 YOLOv5 模型并提供 API 或网页接口的具体方法。 ##### 加载 YOLOv5 模型 在 Flask 中初始化 YOLOv5 模型可以通过 PyTorch 提供的支持完成。以下是一段用于加载预训练模型的代码片段： ```python from flask import Flask, request, jsonify, render_template import cv2 import torch from PIL import Image # 初始化 Flask 应用 app = Flask(__name__) # 加载 YOLOv5 模型 model = torch.hub.load('ultralytics/yolov5', 'custom', path='model.pt') # 使用自定义权重文件 ``` 这段代码实现了 Flask 应用的实例化，并加载了一个名为 `model.pt` 的本地 YOLOv5 自定义权重文件[^1]。 --- ##### 定义路由函数 为了让用户能够上传图片并通过浏览器查看结果，需设计两个主要路由：一个是主页显示表单界面；另一个接收 POST 请求并返回预测结果。 ###### 路由一：渲染首页模板 此部分负责展示给用户的交互界面。 ```python @app.route('/') def index(): return render_template('index.html') ``` 这里假设存在一个名为 `index.html` 的文件位于 `/templates` 文件夹下，该文件应包含一个允许用户选择图片并提交至服务器的 HTML 表单。 ###### 路由二：处理图片上传与检测请求 当接收到带有图片数据的 HTTP POST 请求时，这个函数会对图片进行目标检测并将结果显示出来。 ```python @app.route('/detect', methods=['POST']) def detect(): if 'file' not in request.files: return 'No file part' file = request.files['file'] if file.filename == '': return 'No selected file' image_path = f'static/{file.filename}' file.save(image_path) # 执行目标检测 results = model(Image.open(file)) results.render() # 将边界框绘制到原始图片上 detected_image_path = f'static/detected_{file.filename}' for img in results.imgs: im_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) cv2.imwrite(detected_image_path, im_rgb) return render_template('result.html', original=image_path, detected=detected_image_path) ``` 上述代码完成了如下操作： - 获取上传的文件； - 对其调用已加载的 YOLOv5 模型以获取检测结果； - 绘制边框后的图片保存回磁盘； - 返回一个新的 HTML 页面链接指向原图及其对应的标注版本[^1]。 --- #### 运行应用程序 最后一步是在脚本底部添加启动命令以便于调试阶段测试服务是否正常工作。 ```python if __name__ == '__main__': app.run(debug=True) # 开启调试模式方便开发过程中定位错误 ``` 这样设置之后就可以通过访问 localhost 上指定端口号进入网站体验整个流程了。 --- ### 总结 以上就是利用 Flask 构建支持 YOLOv5 图像识别能力 web service 的全过程介绍。它涵盖了从环境搭建到具体编码实践等多个方面内容[^2]。