### 实现流程 为了实现微信小程序上传图片至 Flask 后端，并利用 YOLOv5 模型进行预测并返回结果的功能，以下是完整的解决方案。 #### 微信小程序前端部分 在微信小程序中，可以通过 `wx.uploadFile` 方法将图片上传到后端。以下是一个简单的代码示例： ```javascript // 小程序页面逻辑 Page({ uploadImage: function () { const that = this; wx.chooseImage({ // 用户选择图片 count: 1, sizeType: ['original', 'compressed'], sourceType: ['album', 'camera'], success(res) { const tempFilePaths = res.tempFilePaths; wx.uploadFile({ // 图片上传接口调用 url: 'http://your-flask-server-ip:port/upload', filePath: tempFilePaths[0], name: 'file', success(uploadRes) { let data = JSON.parse(uploadRes.data); console.log(data); // 处理返回数据 if (data.code === 200) { wx.showToast({ title: '成功', icon: 'success' }); } else { wx.showToast({ title: '失败', icon: 'none' }); } }, fail(err) { console.error('上传失败:', err); } }); } }); } }); ``` 此代码实现了从小程序界面选择一张图片并通过 HTTP POST 请求将其发送给 Flask 后端[^1]。 --- #### Flask 后端部分 Flask 应用负责接收来自微信小程序的请求，执行目标检测操作并将结果返回给客户端。下面是一份完整的 Flask 路由代码： ```python from flask import Flask, request, jsonify import os from PIL import Image import torch from yolov5.models.experimental import attempt_load from yolov5.utils.general import non_max_suppression, scale_coords from yolov5.utils.plots import Annotator import base64 import io app = Flask(__name__) # 加载预训练模型 weights_path = 'yolov5s.pt' # 替换为你自己的权重路径 device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load(weights_path, map_location=device) @app.route('/upload', methods=['POST']) def recognize_image(): if 'file' not in request.files: return jsonify({'code': 400, 'msg': '未选择文件'}), 400 file = request.files['file'] if file.filename == '': return jsonify({'code': 400, 'msg': '未选择文件'}), 400 # 创建临时目录存储上传的图片 save_dir = './uploads/' if not os.path.exists(save_dir): os.makedirs(save_dir) image_path = os.path.join(save_dir, file.filename) file.save(image_path) try: # 执行推理 img = Image.open(image_path).convert("RGB") img_tensor = transform(img).unsqueeze(0).to(device) pred = model(img_tensor)[0] # 非极大值抑制处理 pred = non_max_suppression(pred, conf_thres=0.4, iou_thres=0.5) annotator = Annotator(np.array(img)) result_data = [] for det in pred: if len(det): for *xyxy, conf, cls in reversed(det): c = int(cls) label = f'{model.names[c]} {conf:.2f}' # 绘制边界框 annotator.box_label(xyxy, label, color=(0, 255, 0)) # 构造返回数据结构 bbox = {'left_top_x': float(xyxy[0]), 'left_top_y': float(xyxy[1]), 'right_bottom_x': float(xyxy[2]), 'right_bottom_y': float(xyxy[3]), 'class_name': model.names[int(c)], 'confidence': float(conf)} result_data.append(bbox) annotated_img = annotator.result() buffered = io.BytesIO() Image.fromarray(annotated_img).save(buffered, format="JPEG") # 将图像转为 Base64 编码字符串 encoded_string = base64.b64encode(buffered.getvalue()).decode() return jsonify({'code': 200, 'msg': '成功', 'image_base64': encoded_string, 'results': result_data}) except Exception as e: return jsonify({'code': 500, 'msg': str(e)}), 500 if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=True) ``` 这段代码展示了如何设置一个 `/upload` 的 API 接口来接受图片、运行 YOLOv5 检测算法，并最终以 JSON 格式返回带有标注信息的结果和绘制好的图片（Base64 编码形式）。注意需要调整 `transform()` 函数以便适配具体版本的 YOLOv5 输入需求[^3]^。 --- #### 数据传输与格式化 当完成目标检测后，需把结果封装成易于解析的形式传回给前端。通常做法是将标记过的图片转化为 Base64 字符串嵌入响应体里，同时附加每项检测对象的具体坐标位置及其类别名称等元数据[^2]. --- ### 注意事项 - **性能优化**: 如果预计会有大量并发访问，则考虑引入 GPU 支持加速推断过程或者采用异步方式提高吞吐量。 - **安全性考量**: 生产环境下应对用户提交的内容做严格校验防止恶意攻击；另外记得配置 HTTPS 来保护通信链路安全。 - **错误恢复机制**: 增加异常捕获逻辑确保即使某些环节出现问题也不会导致整个服务崩溃。