### 集成 YOLO 模型到 FastAPI 应用 为了在 FastAPI 中集成 YOLO 模型并将参数设为可选，需遵循特定的设计模式来确保灵活性和易用性。FastAPI 提供了强大的依赖注入机制和支持 Pydantic 的数据验证功能，这使得定义复杂的 API 参数变得简单。 #### 定义模型输入结构 通过创建 Pydantic 模型类来定义请求体的数据结构，允许某些字段成为可选项： ```python from pydantic import BaseModel, Field from typing import Optional class ImageDetectionRequest(BaseModel): image_url: str = Field(..., description="URL of the image to process.") confidence_threshold: Optional[float] = Field(0.5, ge=0, le=1, description="Confidence threshold for filtering detections.") iou_threshold: Optional[float] = Field(0.4, ge=0, le=1, description="IOU (Intersection Over Union) threshold used during non-max suppression.") ``` 此代码段展示了如何声明 `ImageDetectionRequest` 类，其中除了必填项外还包含了两个带有默认值的可选浮点数属性[^1]。 #### 加载预训练 YOLO 模型 通常情况下会预先加载好 YOLO 模型实例，在应用程序启动时完成初始化操作，以便于后续调用期间能够快速响应客户端请求而不必重复加载模型权重文件。 ```python import torch from yolov5.models.experimental import attempt_load model_path = 'path/to/yolov5s.pt' device = 'cuda' if torch.cuda.is_available() else 'cpu' yolo_model = attempt_load(model_path, map_location=device).eval() ``` 这段脚本负责从指定路径读取已保存好的 YOLOv5 权重，并将其迁移到 GPU 或 CPU 上执行推理任务前切换至评估模式。 #### 创建路由处理函数 最后一步是在 FastAPI 实例中注册一个新的 HTTP POST 路由处理器，用于接收来自用户的图像 URL 和其他配置参数，之后利用这些信息调用之前准备好的 YOLO 推理引擎来进行目标检测分析。 ```python from fastapi import FastAPI, UploadFile, File, Form from PIL import Image import requests from io import BytesIO app = FastAPI() @app.post("/detect/") async def detect_objects(request_data: ImageDetectionRequest): img_response = requests.get(request_data.image_url) img = Image.open(BytesIO(img_response.content)) results = yolo_model(img, size=640) filtered_results = [] for *xyxy, conf, cls in reversed(results.pred[0]): if conf >= request_data.confidence_threshold: filtered_results.append({ "bbox": [float(x.item()) for x in xyxy], "confidence": float(conf), "label": int(cls) }) return {"results": filtered_results} ``` 上述代码实现了 `/detect/` 终端的功能逻辑，支持上传图片链接作为输入源，并接受额外的置信度阈值等超参调整选项以优化最终输出效果。