### 使用 Flask 部署 YOLOv5 模型 要将 YOLOv5 与 Flask 结合进行部署，可以按照以下方法完成整个流程。以下是详细的说明： #### 实现步骤概述 在 Python 中，`Flask` 是一个轻量级的 Web 应用框架，适合用来构建 RESTful API 或者简单的网页应用。通过 `Flask` 可以轻松地将机器学习模型（如 YOLOv5）暴露给前端或其他服务调用。 --- #### 安装必要的依赖库 为了运行 YOLOv5 和 Flask 的集成环境，需要先安装一些基础依赖项。可以通过以下命令来安装所需库： ```bash pip install flask torch torchvision numpy opencv-python ``` 这些工具分别提供了 Web 开发支持、深度学习计算能力以及图像处理功能[^2]。 --- #### 初始化 Flask 应用程序 创建一个新的 Python 文件 (例如命名为 `app.py`) 并初始化 Flask 应用对象： ```python from flask import Flask, request, jsonify import cv2 import torch from PIL import Image # 创建 Flask 应用实例 app = Flask(__name__) ``` 这里定义了一个标准的 Flask 应用入口点，并引入了一些常用的模块用于后续操作，比如 OpenCV (`cv2`) 来读取图片或者视频流；PIL 则帮助加载静态图像文件[^1]。 --- #### 加载预训练好的 YOLOv5 模型 利用 PyTorch 提供的功能快速导入官方发布的权重文件之一作为初始版本测试用途： ```python # 载入 yolo v5s 版本模型并设置为评估模式 model = torch.hub.load('ultralytics/yolov5', 'yolov5s') model.eval() ``` 这段脚本会自动下载指定类型的 yolov5 检测器及其对应参数集合至本地缓存路径下[^2]。 --- #### 构建 HTTP 请求处理器 设计好 URL 映射关系之后就可以编写具体的业务逻辑部分了。下面展示的是针对上传单张照片做目标识别的服务端响应方式： ```python @app.route('/detect', methods=['POST']) def detect(): if 'file' not in request.files: return {'error': 'No file part'}, 400 file = request.files['file'] if file.filename == '': return {'error': 'No selected file'}, 400 try: img_bytes = file.read() img = Image.open(io.BytesIO(img_bytes)) results = model([img]) # 对输入的数据执行推理过程 predictions = [] for pred in results.xyxy[0]: x_min, y_min, x_max, y_max, conf, cls_id = map(float, pred.tolist()) label_name = model.names[int(cls_id)] prediction_data = { "class": int(cls_id), "confidence": round(conf * 100, 2), "box": {"xmin": x_min, "ymin": y_min, "xmax": x_max, "ymax": y_max}, "label": label_name, } predictions.append(prediction_data) return jsonify({"predictions": predictions}), 200 except Exception as e: return {'error': str(e)}, 500 ``` 该函数接收 POST 方法提交过来的一个多媒体表单项形式的内容，解析成内部可用的对象结构后再交给先前准备完毕的目标探测引擎去分析其特征属性值[^1]。 --- #### 启动服务器监听请求 最后一步就是让开发版的小规模网络服务正式上线运作起来啦！只需加上这么一句代码即可搞定一切准备工作哦～ ```python if __name__ == '__main__': app.run(debug=True) ``` 此时如果访问 http://localhost:5000/detect 地址的话就会触发我们刚刚自定义的那个 /detect 接口行为咯[^1]！ --- ### 总结 以上即完成了基于 Flask 框架搭建起一套能够实时返回物体类别信息的基础架构体系介绍工作。当然实际应用场景当中可能还需要考虑更多细节方面的东西呢，比如说安全性加固措施之类的东东～