Aracılığıyla paylaş

Öğretici: PyTorch ile Azure İşlevleri için önceden eğitilmiş bir görüntü sınıflandırma modeli dağıtma

  • Makale

Bu makalede python, PyTorch ve Azure İşlevleri kullanarak bir görüntüyü içeriğine göre sınıflandırmak için önceden eğitilmiş bir modeli yüklemeyi öğreneceksiniz. Tüm işlemleri yerel olarak yaptığınız ve bulutta Azure kaynağı oluşturmadığınız için bu öğreticiyi tamamlamanın bir maliyeti yoktur.

  • Python'da Azure İşlevleri geliştirmek için yerel bir ortam başlatın.
  • Önceden eğitilmiş bir PyTorch makine öğrenmesi modelini bir işlev uygulamasına aktarın.
  • Görüntüyü 1000 ImageNet sınıfından biri olarak sınıflandırmak için sunucusuz bir HTTP API'sini oluşturun.
  • Web uygulamasından API’yi kullanma.

Önkoşullar

Önkoşul denetimi

  1. Terminalde veya komut penceresinde, Azure İşlevleri Core Tools'un 2.7.1846 veya sonraki bir sürüm olup olmadığını denetlemek için komutunu çalıştırınfunc --version.
  2. Python sürüm raporlarınızı 3.7.x denetlemek için (Linux/macOS) veya py --version (Windows) çalıştırın python --version .

Öğretici deposunu kopyalama

  1. Terminal veya komut penceresinde Git kullanarak aşağıdaki depoyu kopyalayın:

    git clone https://github.com/Azure-Samples/functions-python-pytorch-tutorial.git

  2. Klasöre gidin ve içeriğini inceleyin.

    cd functions-python-pytorch-tutorial
    • başlangıç , öğretici için çalışma klasörünüzdür.
    • end , başvurunuzun nihai sonucu ve tam uygulamasıdır.
    • kaynakları makine öğrenmesi modelini ve yardımcı kitaplıklarını içerir.
    • ön uç , işlev uygulamasını çağıran bir web sitesidir.

Python sanal ortamı oluşturma ve etkinleştirme

adlı bir sanal ortam .venvoluşturmak ve etkinleştirmek için başlangıç klasörüne gidin ve aşağıdaki komutları çalıştırın.

cd start
python -m venv .venv
source .venv/bin/activate

Python venv paketini Linux dağıtımınıza yüklemediyse aşağıdaki komutu çalıştırın:

sudo apt-get install python3-venv

Bu etkinleştirilmiş sanal ortamda sonraki tüm komutları çalıştırırsınız. (Sanal ortamdan çıkmak için komutunu çalıştırın deactivate.)

Yerel işlevler projesi oluşturma

Azure İşlevleri işlev projesi, her birinin belirli bir tetikleyiciye yanıt verdiği bir veya daha fazla tek tek işlev için bir kapsayıcıdır. Projedeki tüm işlevler aynı yerel ve barındırma yapılandırmalarını paylaşır. Bu bölümde, HTTP uç noktası sağlayan adlı classify tek bir ortak işlev içeren bir işlev projesi oluşturacaksınız. Daha sonraki bir bölümde daha belirli bir kod ekleyebilirsiniz.

  1. Başlangıç klasöründe, python işlev uygulamasını başlatmak için Azure İşlevleri Temel Araçları'nı kullanın:

    func init --worker-runtime python

    Başlatma işleminden sonra başlangıç klasörü, local.settings.json ve host.json adlı yapılandırma dosyaları da dahil olmak üzere proje için çeşitli dosyalar içerir. local.settings.json Azure'dan indirilen gizli dizileri içerebileceğinden, dosya .gitignore dosyasında varsayılan olarak kaynak denetimin dışında tutulur.

    İpucu

    İşlev projesi belirli bir çalışma zamanına bağlı olduğundan, projedeki tüm işlevler aynı dille yazılmalıdır.

  2. Aşağıdaki komutu kullanarak projenize bir işlev ekleyin. Burada --name bağımsız değişken işlevinizin benzersiz adıdır ve --template bağımsız değişken işlevin tetikleyicisini belirtir. func newprojenin seçilen diline uygun bir kod dosyası ve function.json adlı bir yapılandırma dosyası içeren işlev adıyla eşleşen bir alt klasör oluşturun.

    func new --name classify --template "HTTP trigger"

    Bu komut işlevin adıyla eşleşen bir klasör oluşturur ve sınıflandırır. Bu klasörde iki dosya vardır: işlev kodunu içeren __init__.py ve işlevin tetikleyicisini ve giriş ve çıkış bağlamalarını açıklayan function.json. Bu dosyaların içeriği hakkında ayrıntılı bilgi için Python geliştirici kılavuzundaki Programlama modeli bölümüne bakın.

İşlevi yerel olarak çalıştırma

  1. başlangıç klasöründe yerel Azure İşlevleri çalışma zamanı ana bilgisayarını başlatarak işlevi başlatın:

    func start

  2. Çıkışta uç noktanın classify göründüğünü gördüğünüzde URL'ye http://localhost:7071/api/classify?name=Azuregidin. Çıktıda "Hello Azure!" iletisi görünmelidir.

  3. Konağı durdurmak için Ctrl-C tuşlarını kullanın.

PyTorch modelini içeri aktarma ve yardımcı kod ekleme

bir görüntüyü içeriğine göre sınıflandıracak şekilde işlevini değiştirmek classify için önceden eğitilmiş bir ResNet modeli kullanırsınız. PyTorch'tan gelen önceden eğitilmiş model, bir görüntüyü 1000 ImageNet sınıfından 1'inde sınıflandırır. Ardından projenize bazı yardımcı kodlar ve bağımlılıklar eklersiniz.

  1. Start klasöründe aşağıdaki komutu çalıştırarak tahmin kodunu ve etiketlerini classify klasörüne kopyalayın.

    cp ../resources/predict.py classify
cp ../resources/labels.txt classify

  2. Classify klasörünün predict.py ve labels.txt adlı dosyalar içerdiğini doğrulayın. Aksi takdirde, komutu başlat klasöründe çalıştırıp çalıştırmadığınıza bakın.

  3. Başlangıç/requirements.txt bir metin düzenleyicisinde açın ve yardımcı kodun gerektirdiği bağımlılıkları ekleyin; bu aşağıdaki gibi görünmelidir:

    azure-functions
requests
-f https://download.pytorch.org/whl/torch_stable.html
torch==1.13.0+cpu
torchvision==0.14.0+cpu

    İpucu

    Torç ve torchvision sürümleri, PyTorch görüntü deposunun sürüm tablosunda listelenen değerlerle eşleşmelidir.

  4. requirements.txt kaydedin, ardından bağımlılıkları yüklemek için başlangıç klasöründen aşağıdaki komutu çalıştırın.

    pip install --no-cache-dir -r requirements.txt

Yükleme birkaç dakika sürebilir ve bu süre boyunca sonraki bölümde işlevi değiştirmeye devam edebilirsiniz.

İpucu

Windows'da, "EnvironmentError nedeniyle paketler yüklenemedi: [Errno 2] Böyle bir dosya veya dizin yok:" hatasını ve ardından sharded_mutable_dense_hashtable.cpython-37.pyc gibi bir dosyanın uzun yol adını alabilirsiniz. Bu hata genellikle klasör yolunun derinliği çok uzun hale geldiğinden oluşur. Bu durumda, uzun yolları etkinleştirmek için kayıt defteri anahtarını HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled olarak 1 ayarlayın. Alternatif olarak Python yorumlayıcınızın nereye yüklendiğini denetleyin. Bu konumun yolu uzunsa, daha kısa bir yolu olan bir klasöre yeniden yüklemeyi deneyin.

İşlevi tahminleri çalıştıracak şekilde güncelleştirme

  1. Sınıflandır/__init__.py bir metin düzenleyicisinde açın ve standart JSON kitaplığını ve tahmin yardımcılarını içeri aktarmak için mevcut import deyimlerden sonra aşağıdaki satırları ekleyin:

    import logging
import azure.functions as func
import json

# Import helper script
from .predict import predict_image_from_url

  2. İşlevin tüm içeriğini main aşağıdaki kodla değiştirin:

    def main(req: func.HttpRequest) -> func.HttpResponse:
    image_url = req.params.get('img')
    logging.info('Image URL received: ' + image_url)

    results = predict_image_from_url(image_url)

    headers = {
        "Content-type": "application/json",
        "Access-Control-Allow-Origin": "*"
    }

    return func.HttpResponse(json.dumps(results), headers = headers)

    Bu işlev adlı imgsorgu dizesi parametresinde bir görüntü URL'si alır. Ardından PyTorch modelini kullanarak görüntüyü indirmek ve sınıflandırmak için yardımcı kitaplığından çağırır predict_image_from_url . İşlev daha sonra sonuçları içeren bir HTTP yanıtı döndürür.

    Önemli

    Bu HTTP uç noktası başka bir etki alanında barındırılan bir web sayfası tarafından çağrıldığından, yanıt tarayıcının Çıkış Noktaları Arası Kaynak Paylaşımı (CORS) gereksinimlerini karşılayan bir Access-Control-Allow-Origin üst bilgi içerir.

    Üretim uygulamasında, ek güvenlik için web sayfasının özel çıkış noktası olarak değiştirin * .

  3. Değişikliklerinizi kaydedin ve bağımlılıkların yüklenmesinin tamamlandığını varsayarak yerel işlev konasını ile func startyeniden başlatın. Sanal ortamın etkinleştirildiği başlangıç klasöründe konağı çalıştırdığınızdan emin olun. Aksi takdirde konak başlatılır, ancak işlevi çağırırken hatalar görürsünüz.

    func start

  4. Bir tarayıcıda, Bernese Mountain Dog görüntüsünün URL'si ile işlevi çağırmak için aşağıdaki URL'yi açın ve döndürülen JSON dosyasının görüntüyü Bernese Mountain Dog olarak sınıflandırır.

    http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg

  5. Sonraki adımda kullandığınız için konağı çalışır durumda tutun.

İşlevi test etmek için yerel web uygulaması ön ucunu çalıştırma

İşlev uç noktasını başka bir web uygulamasından çağırmayı test etmek için, deponun ön uç klasöründe basit bir uygulama vardır.

  1. Yeni bir terminal veya komut istemi açın ve sanal ortamı etkinleştirin (daha önce Python sanal ortamı oluşturma ve etkinleştirme bölümünde açıklandığı gibi).

  2. Deponun ön uç klasörüne gidin.

  3. Python ile bir HTTP sunucusu başlatın:

    python -m http.server

  4. Tarayıcıda adresine gidin, ardından metin kutusuna localhost:8000aşağıdaki fotoğraf URL'lerinden birini girin veya genel olarak erişilebilen herhangi bir resmin URL'sini kullanın.

    • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg
    • https://github.com/Azure-Samples/functions-python-pytorch-tutorial/blob/master/resources/assets/bald-eagle.jpg?raw=true
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/penguin.jpg

  5. Görüntüyü sınıflandırmak üzere işlev uç noktasını çağırmak için Gönder'i seçin.

    Tamamlanmış projenin ekran görüntüsü

    Görüntü URL'sini gönderdiğinizde tarayıcı bir hata bildirirse işlev uygulamasını çalıştırdığınız terminali denetleyin. "'PIL' modülü bulunamadı" gibi bir hata görürseniz, önce daha önce oluşturduğunuz sanal ortamı etkinleştirmeden işlev uygulamasını başlangıç klasöründe başlatmış olabilirsiniz. Yine de hatalar görüyorsanız, sanal ortam etkinleştirildiğinde yeniden çalıştırın pip install -r requirements.txt ve hataları arayın.

Kaynakları temizleme

Bu öğreticinin tamamı makinenizde yerel olarak çalıştığından temizlenemiyor Azure kaynakları veya hizmetleri yoktur.

Sonraki adımlar

Bu öğreticide, PyTorch modeli kullanarak görüntüleri sınıflandırmak için Azure İşlevleri ile bir HTTP API uç noktası oluşturmayı ve özelleştirmeyi öğrendiniz. Ayrıca bir web uygulamasından API'yi çağırmayı da öğrendinsiniz. Bu öğreticideki teknikleri kullanarak, Azure İşlevleri tarafından sağlanan sunucusuz işlem modelinde çalışırken herhangi bir karmaşıklıkta API'ler oluşturabilirsiniz.

Ayrıca bkz:

İşlevi Azure CLI Kılavuzu'nu kullanarak Azure İşlevleri dağıtma