codait/max-inception-resnet-v2

IBM Code模型资产交换：Inception-ResNet-v2图像分类器

本仓库包含实例化和部署图像分类模型的代码。该模型可识别ImageNet 2012大规模视觉识别挑战赛中的1000种不同物体类别。模型采用Inception-ResNet-v2架构的深度卷积网络，在ImageNet-2012数据集上训练而成。输入为299x299图像，输出为估计的类别概率列表。

该模型基于Keras内置的Inception-ResNet-v2模型构建，模型文件托管在IBM Cloud Object Storage。本仓库代码将模型部署为Docker容器中的Web服务，是IBM Code模型资产交换的一部分，其公共API由IBM Cloud提供支持。

模型元数据

参考文献

• C. Szegedy, S. Ioffe, V. Vanhoucke, A. Alemi, "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning", CoRR (abs/1602.07261), 2016.
• Keras应用

许可证

前提条件：

• docker：Docker命令行界面。请按照安装说明为您的系统安装。
• 该模型的最低推荐资源为2GB内存和2个CPU。
• 若使用x86-64/AMD64架构，CPU必须至少支持AVX指令集。

部署选项

• 从Quay部署
• 在Red Hat OpenShift上部署
• 在Kubernetes上部署
• 本地运行

从Quay部署

要运行自动启动模型服务API的Docker镜像，执行：

$ docker run -it -p 5000:5000 quay.io/codait/max-inception-resnet-v2

这将从Quay.io容器 registry 拉取预构建镜像（或使用本地已缓存的镜像）并运行。若希望本地检出并构建模型，可按照以下本地运行步骤操作。

在Red Hat OpenShift上部署

可按照本教程中的OpenShift Web控制台或OpenShift容器平台CLI说明，将模型服务微服务部署到Red Hat OpenShift，指定quay.io/codait/max-inception-resnet-v2作为镜像名称。

在Kubernetes上部署

也可使用Quay上的最新Docker镜像在Kubernetes上部署模型。

在Kubernetes集群上执行以下命令：

$ kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Inception-ResNet-v2/master/max-inception-resnet-v2.yaml

模型将在内部端口5000可用，也可通过NodePort从外部访问。

有关如何在IBM Cloud上将此MAX模型部署到生产环境的详细教程，请参见此处。

本地运行

1. 构建模型
2. 部署模型
3. 使用模型
4. 开发
5. 清理

1. 构建模型

本地克隆本仓库。在终端中执行以下命令：

$ git clone https://github.com/IBM/MAX-Inception-ResNet-v2.git

进入仓库基础目录：

$ cd MAX-Inception-ResNet-v2

要本地构建Docker镜像，执行：

$ docker build -t max-inception-resnet-v2 .

构建过程中将下载所有必需的模型资产。注意：当前此Docker镜像仅支持CPU（后续将添加GPU镜像支持）。

2. 部署模型

要运行自动启动模型服务API的Docker镜像，执行：

$ docker run -it -p 5000:5000 max-inception-resnet-v2

3. 使用模型

API服务器会自动生成交互式Swagger文档页面。访问http://localhost:5000即可加载该页面。从中可浏览API并创建测试请求。

使用model/predict端点加载测试图像（可使用samples文件夹中的测试图像），从API获取图像的预测标签。

!Swagger文档截图

也可在命令行测试，例如：

$ curl -F "image=@samples/dog.jpg" -X POST http://localhost:5000/model/predict

应看到如下JSON响应：

json
{
  "status": "ok",
  "predictions": [
    {
      "label_id": "n02088364",
      "label": "beagle",
      "probability": 0.44505545496941
    },
    {
      "label_id": "n02089867",
      "label": "Walker_hound",
      "probability": 0.3902231156826
    },
    {
      "label_id": "n02089973",
      "label": "English_foxhound",
      "probability": 0.02027696929872
    },
    {
      "label_id": "n02088632",
      "label": "bluetick",
      "probability": 0.010103852488101
    },
    {
      "label_id": "n02088238",
      "label": "basset",
      "probability": 0.001649746671319
    }
  ]
}

4. 开发

要以调试模式运行Flask API应用，编辑config.py，在应用设置下将DEBUG = True。然后需要重新构建Docker镜像（参见步骤1）。

5. 清理

要停止Docker容器，在终端中按CTRL + C。

资源与贡献

若有兴趣为模型资产交换项目贡献代码或有任何疑问，请按照https://github.com/CODAIT/max-central-repo%E7%9A%84%E8%AF%B4%E6%98%8E%E6%93%8D%E4%BD%9C%E3%80%82