Gradio：轻松实现AI算法可视化部署-526互联

如何将你的AI算法迅速分享给别人，让对方体验，一直是一件麻烦事儿。

首先大部分人都是在本地跑代码，让别人使用你的模型，以往有这三种方案：

上github
将代码打包或者封装成docker后，用QQ/百度云/U盘传输
学习前后端知识，写个前端界面，买个域名，用flask这样微服务框架快速部署，看情况结合一下内网穿透。

这些方案的问题在于——前两者需要对方会编程会配置环境（还得愿意），我们的分享对象满足这个条件的寥寥无几；后者则需要你这个算法工程师升级成全栈，学习前后端开发，学习成本太高。

总结起来：场景不匹配，需求不契合，费时又费力！

那么有没有更好的解决方案呢？有！它就是我今天要给大家安利的一个python开源库：Gradio。

Gradio是MIT的开源项目，GitHub 2k+ star。

使用gradio，只需在原有的代码中增加几行，就能自动化生成交互式web页面，并支持多种输入输出格式，比如图像分类中的图>>标签，超分辨率中的图>>图等。

同时还支持生成能外部网络访问的链接，能够迅速让你的朋友，同事体验你的算法。

总结起来，它的优势有：

自动生成页面且可交互
改动几行代码就能完成
支持自定义多种输入输出
支持生成可外部访问的链接进行分享

目前已经有很多优秀的开源项目使用Gradio做demo页面。那么该怎么使用Gradio，让我们一起来玩玩～

Get start

0.安装Gradio

pip install gradio

1.写个简单的RGB转灰度

import gradio as gr
import cv2

def to_black(image):
    output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    return output

interface = gr.Interface(fn=to_black, inputs="image", outputs="image")
interface.launch()

gradio的核心是它的gr.Interface函数，用来构建可视化界面。

fn：放你用来处理的函数
inputs：写你的输入类型，这里输入的是图像，所以是"image"
outputs：写你的输出类型，这里输出的是图像，所以是"image"

最后我们用interface.lauch()把页面一发布，一个本地静态交互页面就完成了！

在浏览器输入http://127.0.0.1:7860/,查收你的页面：

上传一张图片，点击「SUBMIT」，大功告成。

对于任何图像处理类的ML代码来说，只要定义好一个图像输入>>模型推理>>返回图片的函数（逻辑和RGB转灰度图本质上没区别），放到fn中，就完事了。

2.增加example

我们可以在页面下方添加供用户选择的测试样例。

在gr.Interface里的examples中放入图片路径，格式为[[路径1],[路径2],...]。

import gradio as gr
import cv2

def to_black(image):
    output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    return output

interface = gr.Interface(fn=to_black, inputs="image", outputs="image",
                        examples=[["test.png"]])
interface.launch()

增加example不仅能让你的UI界面更美观，逻辑更完善，也有一些其他意义：

比如做了一个图像去噪算法，但是用户手头并没有躁点照片，example能让他更快的体验到效果

当然example建议选择效果最好的图，原因和写论文选best case一样（大雾）。

3.创建一个外部访问链接

创建外部访问链接非常简单，只需要launch(share=True)即可，在打印信息中会看到你的外部访问链接。

免费用户的链接可以使用24小时，想要长期的话需要在gradio官方购买云服务。

4.升个级:图像分类pytorch+resnet18

import gradio as gr
import torch
from torchvision import transforms
import requests
from PIL import Image

model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet18', pretrained=True).eval()

# Download human-readable labels for ImageNet.
response = requests.get("https://git.io/JJkYN")
labels = response.text.split("\n")

def predict(inp):
  inp = Image.fromarray(inp.astype('uint8'), 'RGB')
  inp = transforms.ToTensor()(inp).unsqueeze(0)
  with torch.no_grad():
    prediction = torch.nn.functional.softmax(model(inp)[0], dim=0)
  return {labels[i]: float(prediction[i]) for i in range(1000)}

inputs = gr.inputs.Image()
outputs = gr.outputs.Label(num_top_classes=3)
gr.Interface(fn=predict, inputs=inputs, outputs=outputs).launch()