Partilhar via

Tutorial: Implantar um modelo de classificação de imagem pré-treinado no Azure Functions com o PyTorch

  • Artigo

Neste artigo, você aprenderá a usar Python, PyTorch e Azure Functions para carregar um modelo pré-treinado para classificar uma imagem com base em seu conteúdo. Como você faz todo o trabalho localmente e não cria recursos do Azure na nuvem, não há custo para concluir este tutorial.

  • Inicialize um ambiente local para desenvolver o Azure Functions em Python.
  • Importe um modelo de aprendizado de máquina PyTorch pré-treinado para um aplicativo de função.
  • Crie uma API HTTP sem servidor para classificar uma imagem como uma das 1000 classes ImageNet.
  • Consumir a API numa aplicação Web.

Pré-requisitos

Verificação de pré-requisitos

  1. Em uma janela de terminal ou comando, execute func --version para verificar se as Ferramentas Principais do Azure Functions são a versão 2.7.1846 ou posterior.
  2. Execute python --version (Linux/macOS) ou py --version (Windows) para verificar seus relatórios de versão Python 3.7.x.

Clone o repositório do tutorial

  1. Em um terminal ou janela de comando, clone o seguinte repositório usando o Git:

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

  2. Navegue até a pasta e examine seu conteúdo.

    cd functions-python-pytorch-tutorial
    • Iniciar é a sua pasta de trabalho para o tutorial.
    • final é o resultado final e implementação completa para sua referência.
    • Recursos contém o modelo de aprendizado de máquina e bibliotecas auxiliares.
    • Frontend é um site que chama o aplicativo de função.

Criar e ativar um ambiente virtual Python

Navegue até a pasta inicial e execute os seguintes comandos para criar e ativar um ambiente virtual chamado .venv.

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

Se o Python não instalou o pacote venv na sua distribuição Linux, execute o seguinte comando:

sudo apt-get install python3-venv

Execute todos os comandos subsequentes neste ambiente virtual ativado. (Para sair do ambiente virtual, execute deactivate.)

Criar um projeto de funções locais

No Azure Functions, um projeto de função é um contêiner para uma ou mais funções individuais que respondem a um gatilho específico. Todas as funções em um projeto compartilham as mesmas configurações locais e de hospedagem. Nesta seção, você cria um projeto de função que contém uma única função clichê chamada classify que fornece um ponto de extremidade HTTP. Você adiciona um código mais específico em uma seção posterior.

  1. Na pasta inicial, use as Ferramentas Principais do Azure Functions para inicializar um aplicativo de função Python:

    func init --worker-runtime python

    Após a inicialização, a pasta inicial contém vários arquivos para o projeto, incluindo arquivos de configuração chamados local.settings.json e host.json. Como local.settings.json pode conter segredos baixados do Azure, o arquivo é excluído do controle do código-fonte por padrão no arquivo .gitignore .

    Gorjeta

    Como um projeto de função está vinculado a um tempo de execução específico, todas as funções no projeto devem ser escritas com a mesma linguagem.

  2. Adicione uma função ao seu projeto usando o comando a seguir, onde o --name argumento é o nome exclusivo da sua função e o --template argumento especifica o gatilho da função. func new Crie uma subpasta correspondente ao nome da função que contenha um arquivo de código apropriado para o idioma escolhido pelo projeto e um arquivo de configuração chamado function.json.

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

    Este comando cria uma pasta correspondente ao nome da função, classify. Nessa pasta estão dois arquivos: __init__.py, que contém o código da função, e function.json, que descreve o gatilho da função e suas ligações de entrada e saída. Para obter detalhes sobre o conteúdo desses arquivos, consulte Modelo de programação no guia do desenvolvedor do Python.

Executar a função localmente

  1. Inicie a função iniciando o host de tempo de execução local do Azure Functions na pasta inicial :

    func start

  2. Depois de ver o classify ponto de extremidade aparecer na saída, navegue até o URL, http://localhost:7071/api/classify?name=Azure. A mensagem "Olá Azure!" deve aparecer na saída.

  3. Use Ctrl-C para parar o host.

Importe o modelo PyTorch e adicione o código auxiliar

Para modificar a classify função para classificar uma imagem com base em seu conteúdo, use um modelo ResNet pré-treinado. O modelo pré-treinado, que vem do PyTorch, classifica uma imagem em 1 de 1000 classes ImageNet. Em seguida, você adiciona algum código auxiliar e dependências ao seu projeto.

  1. Na pasta iniciar, execute o seguinte comando para copiar o código de previsão e os rótulos para a pasta classificar.

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

  2. Verifique se a pasta classify contém arquivos chamados predict.py e labels.txt. Se não, verifique se você executou o comando na pasta iniciar .

  3. Abra iniciar/requirements.txt em um editor de texto e adicione as dependências exigidas pelo código auxiliar, que devem se parecer com:

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

    Gorjeta

    As versões de tocha e torchvision devem corresponder aos valores listados na tabela de versões do repositório de visão PyTorch.

  4. Salve requirements.txt e execute o seguinte comando na pasta Iniciar para instalar as dependências.

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

A instalação pode levar alguns minutos, durante os quais você pode continuar com a modificação da função na próxima seção.

Gorjeta

No Windows, você pode encontrar o erro, "Não foi possível instalar pacotes devido a um EnvironmentError: [Errno 2] No such file or directory:" seguido por um nome de caminho longo para um arquivo como sharded_mutable_dense_hashtable.cpython-37.pyc. Normalmente, esse erro acontece porque a profundidade do caminho da pasta se torna muito longa. Nesse caso, defina a chave HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled do Registro para 1 habilitar caminhos longos. Como alternativa, verifique onde seu interpretador Python está instalado. Se esse local tiver um caminho longo, tente reinstalar em uma pasta com um caminho mais curto.

Atualizar a função para executar previsões

  1. Abra classificar/__init__.py em um editor de texto e adicione as seguintes linhas após as instruções existentes import para importar a biblioteca JSON padrão e os auxiliares de previsão :

    import logging
import azure.functions as func
import json

# Import helper script
from .predict import predict_image_from_url

  2. Substitua todo o main conteúdo da função pelo seguinte código:

    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)

    Esta função recebe um URL de imagem em um parâmetro de cadeia de caracteres de consulta chamado img. Em seguida, ele chama predict_image_from_url a partir da biblioteca auxiliar para baixar e classificar a imagem usando o modelo PyTorch. Em seguida, a função retorna uma resposta HTTP com os resultados.

    Importante

    Como esse ponto de extremidade HTTP é chamado por uma página da Web hospedada em outro domínio, a resposta inclui um Access-Control-Allow-Origin cabeçalho para satisfazer os requisitos de compartilhamento de recursos entre origens (CORS) do navegador.

    Em um aplicativo de produção, altere * a origem específica da página da Web para maior segurança.

  3. Salve as alterações e, supondo que as dependências tenham terminado de instalar, inicie o host da função local novamente com func start. Certifique-se de executar o host na pasta inicial com o ambiente virtual ativado. Caso contrário, o host será iniciado, mas você verá erros ao invocar a função.

    func start

  4. Em um navegador, abra a seguinte URL para invocar a função com a URL de uma imagem do Bernese Mountain Dog e confirme se o JSON retornado classifica a imagem como um Bernese Mountain Dog.

    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. Mantenha o host em execução porque você o usa na próxima etapa.

Execute o front-end do aplicativo Web local para testar a função

Para testar a invocação do ponto de extremidade da função a partir de outro aplicativo Web, há um aplicativo simples na pasta frontend do repositório.

  1. Abra um novo terminal ou prompt de comando e ative o ambiente virtual (conforme descrito anteriormente em Criar e ativar um ambiente virtual Python).

  2. Navegue até a pasta frontend do repositório.

  3. Inicie um servidor HTTP com Python:

    python -m http.server

  4. Em um navegador, navegue até localhost:8000, insira um dos seguintes URLs de foto na caixa de texto ou use o URL de qualquer imagem acessível publicamente.

    • 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. Selecione Enviar para invocar o ponto de extremidade da função para classificar a imagem.

    Captura de ecrã do projeto concluído

    Se o navegador relatar um erro ao enviar o URL da imagem, verifique o terminal no qual você está executando o aplicativo de função. Se você vir um erro como "Nenhum módulo encontrado 'PIL'", você pode ter iniciado o aplicativo de função na pasta inicial sem primeiro ativar o ambiente virtual que você criou anteriormente. Se ainda vir erros, execute pip install -r requirements.txt novamente com o ambiente virtual ativado e procure erros.

Clean up resources (Limpar recursos)

Como a totalidade deste tutorial é executada localmente em sua máquina, não há recursos ou serviços do Azure para limpar.

Próximos passos

Neste tutorial, você aprendeu como criar e personalizar um ponto de extremidade de API HTTP com o Azure Functions para classificar imagens usando um modelo PyTorch. Você também aprendeu como chamar a API de um aplicativo Web. Você pode usar as técnicas neste tutorial para criar APIs de qualquer complexidade, tudo enquanto executa no modelo de computação sem servidor fornecido pelo Azure Functions.

Consulte também:

Implantar a função no Azure Functions usando o Guia da CLI do Azure