举例django部署yolov5训练的模型

下面是一个简单的 Django 应用程序，它可以加载 YOLOv5 模型并使用它来检测图像中的对象。假设你已经训练好了一个 YOLOv5 模型，并且将其保存在了一个名为 "yolov5.pt" 的文件中：

import torch
import numpy as np
import cv2
from django.shortcuts import render
from django.http import JsonResponse

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5.pt')

# 定义检测函数
def detect(image):
    # 将图像转换为 PyTorch 张量
    tensor = torch.from_numpy(image.transpose(2, 0, 1)).float() / 255.0
    tensor = tensor.unsqueeze(0)

    # 在模型上运行图像
    results = model(tensor)

    # 提取检测结果
    boxes = results.xyxy[0].numpy()
    scores = results.xyxy[0, :, 4].numpy()
    labels = results.xyxy[0, :, 5].numpy()

    # 返回检测结果
    return boxes, scores, labels

# 定义视图函数
def detect_view(request):
    # 从请求中读取图像
    image_data = request.FILES['image'].read()
    image = cv2.imdecode(np.frombuffer(image_data, np.uint8), cv2.IMREAD_COLOR)

    # 运行检测算法
    boxes, scores, labels = detect(image)

    # 构造 JSON 响应
    response_data = {'boxes': boxes.tolist(), 'scores': scores.tolist(), 'labels': labels.tolist()}
    return JsonResponse(response_data)

# 定义模板
def index(request):
    return render(request, 'index.html')

在这个例子中，我们使用了 PyTorch Hub 加载了 YOLOv5 模型，然后定义了一个 detect 函数来运行检测算法。我们还定义了一个 detect_view 视图函数来处理 HTTP 请求，并使用 OpenCV 库来读取和解码图像。最后，我们还定义了一个简单的 HTML 模板来渲染应用程序的主页。

注意，这个例子仅仅是一个简单的演示，并没有考虑安全性和性能方面的问题。在实际部署中，你需要考虑更多的细节，例如如何保护模型和数据、如何处理并发请求、如何使用 GPU 加速等等。