Caffe+flask CNN算法服务器搭建

前言

突然发现好久没有写blog，github也很久没有更新了，可能是因为做的东西比较散很难有整套的东西share，而且也涉及到lab这边的工作内容有些东西也不能我私人名义开源，这套东西姑且确认过是没关系，所以就上传一些姑且填充一下github和csdn的内容吧【笑】

项目地址

https://github.com/hirorogithub/CaffeWebApi

效果

简介

• 用flask提供restful接口，来提供调用caffe的web api接口。
• 目前载入的有Caffe Model Zoo里提供的一个age and gender classification 以及一个cascade的人脸检测 一共三个model，提供人脸检测，年龄识别和性别识别。
• 为了简单地展示效果，随便写了一个web界面

服务器环境搭建

Caffe环境本身挺好搭的，主要是CUDA的ubuntu环境一直是个大坑
不过其实如果运算量少不需要跑什么训练的话，用cpu mode和gpu mode没有什么区别，甚至可能gpu更慢，毕竟涉及到数据在内存和显存之间的两次copy。
我的机器环境：
Ubuntu 14.04（64bit） +GTX980
1.CUDA【需要g++】
- 去NVIDA下载CUDA,注意是否支持当前显卡https://developer.nvidia.com/cuda-downloads
- ctrl+alt+f1进入本地控制台，输入帐号密码登录，键入：sudo service lightdm stop关闭图形界面，
- sudo sh ./+解压出来的run文件，接下来根据命令行提示输入，基本按照默认值来就行。
- 可能需要重启，再一次启动后重复上诉两步即可安装完成，如果怕不记得可以记录下来log输出的关于默认路径之类的设置。
- 配置cuda的环境变量，在etc/profile里，http://blog.csdn.net/qq632544991p/article/details/47276967，http://www.cnblogs.com/platero/p/3993877.html
- 可以在 /HOME/NVIDIA******SAMPLES/1_Utilities/deviceQuery/里make一下试试看能不能运行，可以的话就没啥问题了

2.cuDNN
- 去NVIDA下载cuDNN,解压后把include里的头文件放到cuda路径下的include里，把lib64里的文件放到cuda路径下的lib64里
- 接下来参考这里http://www.cnblogs.com/platero/p/4118139.html

3.Caffe
- 参考caffe官网先把一堆依赖安装上http://caffe.berkeleyvision.org/install_apt.html，http://caffe.berkeleyvision.org/installation.html，推荐的anaconda库可以先不用安装
- 把caffe download下来，在python文件夹里有个requirement.txt，cd到该文件夹，执行for req in (catrequirements.txt);sudodopipinstallreq; done来获取依赖库【建议换源：https://www.douban.com/note/302711300/】【更新：2017年3月13日 15:00:18 如果遇到packging.version的报错，可以去直接用anaconda，或者去官网下载最新的pip然后安装。如果用anaconda，貌似官网提示还需要跑一个adjust makefile.config的东西】
- 根据官网把Makefile.config文件修改好(一般就是把 USE_CUDNN := 1给取消注释，其他的根据实际需要来修改)，
- 然后就可以make all make test make runtest 愿上帝保佑【加上 -j效果更加 比如make all -j8】
- 别忘记编译成功后编译pycaffe 在caffe目录下make pycaffe 可能需要numpy，sudo apt-get install python-numpy

4.flask
- flask用来做服务器的py框架，参考官网安装http://docs.jinkan.org/docs/flask/installation.html#installation

配置事项

1. caffe的路径我在python的代码中是专门写了一个.py来管理的，项目下载后需要修改成你自己的路径，当然你把caffe的环境路径配置好也OK
2. 注意保持项目本身的目录结构，尤其是server文件里面，flask指定了资源相关的东西的摆放位置

目录说明

• img/：图片上传后的保存路径
• imgout0/：运行cascade 人脸检测后的中间输出
• model/：caffe不同算法用到的pretrained model
• server/：主要源码
• server/static：flask指定的资源放的位置，这里我放了一些boostrap的资源
• server/templates：页面模版，用来被flask渲染然后返回

源码说明

• server.py ：用flask提供restful接口，调用algrithm.py里封装好的相关算法，返回相应结果
• algrithm.py封装caffe算法的接口，提供返回json 和python dict两个版本的返回值的接口，以及提供参数是文件路径或者图片数据（numpy array）两种接口，一共四种接口：

#gender api#api that return jsondef gender_japi_face(face):    return json.dumps(gender_api_face(face),indent=4)def gender_japi_path(path):    return json.dumps(gender_api_path(path),indent=4)#apt that return dictdef gender_api_face(face):    return gender_estimation.judge_gender_by_face(face)def gender_api_path(path):    return gender_estimation.judge_gender_by_path(path)

• age_estimation.py/gender_estimation.py 提供调用caffe的接口，相应地封装的两个model，其实代码几乎一样，只是一些细微差别，对于直接套model就能用的算法都可以用这套代码扩展
• cascade_cnn_detect.py：cascade人脸检测对外的接口，输入img，返回rectangle
• load_model_functions.py：辅助cascade人脸检测载入model
• face_detection_functions.py：cascader人脸检测实际运行的代码
• import_caffe.py ：提供统一的导入cafffe的路径
• templates/index.html：flask用的渲染模版，运算后的json结果会直接套到这个模版里（当然这种实现方式有争议），然后返回整个index.html给客户端看
• 其余的部分感觉没有什么地方可讲，是一些辅助性的代码

一些后话

• 接下来如果有空整理的话，会把在android端调用这个api的demo也上传到github
• 从上图其实可以看到age和gender的分类效果比较差，但是我这边没有资源去训练，准确度依赖于model本身以及我输入的图，但是训练的数据集大概是脸以外的背景相对比较多，cascade人脸检测出来以后基本没有背景了，这也可能是一个比较大的影响因素吧【不准这锅我不背】

参考资料

• age and gender 的模型来源：
  http://www.openu.ac.il/home/hassner/projects/cnn_agegender/
• cascade 人脸检测paper以及来源参考：
  《A Convolutional Neural Network Cascade for Face Detection》
• flask编写参考：
  https://zhuanlan.zhihu.com/p/23731819?refer=flask