从猫谱小程序云存储拉取猫图,然后训练一个神经网络模型来识别猫猫。

1. 每只猫猫积攒了超过 10 张高质量照片(照片清晰,且照片中只有一只猫猫)。
2. 虽然可以使用 CPU 进行神经网络的训练,但是速度较慢,因此最好准备一张具有足够显存的 GPU。(如果显存不够,你可以根据你的显存大小适当调整图像分辨率,但是可能会导致模型训练效果下降。)
3. 网络服务器一台,用于部署识别服务。(需要自备 web 后端技能。)服务器不需要 GPU。
4. 已注册备案域名一个,获取 SSL,用于小程序调用服务。

https://docs.qq.com/doc/DSHhmTkNNYUNYTkpH

1. 在训练服务器(或你的个人 PC)上拉取本仓库代码。
2. 进入 data 目录,执行 npm install 安装依赖。(需要 Node.js 环境,不确定老版本 Node.js 兼容性,建议使用最新版本。)
3. 复制 config.demo.ts 文件并改名为 config.ts,填写Laf云环境的 LAF_APPID;在Laf云后台调试执行 getTempCOS 云函数,复制输出到 config.ts 中。
4. 执行 npm start,脚本将根据小程序数据库记录拉取小程序云存储中的图片。
5. 返回仓库根目录,执行 python -m pip install -r requirements.txt 安装依赖。(需要 Python>=3.8。不建议使用特别新版本的 Python,可能有兼容性问题。)
6. 执行 bash prepare_yolov5.sh 拉取YOLOv5目标检测模型所需的代码,然后下载并预处理模型数据。
7. 执行 bash process.sh,自动进行数据处理、数据集划分和模型训练的工作。工作完成后,你应当看到目录的 export 文件夹下存在如下四个文件:
   • cat.onnx;
   • cat.json;
   • fallback.onnx;
   • fallback.json。

1. 在部署服务器上拉取本仓库代码。
2. 执行 pip install -r requirements.txt 安装依赖。(需要 Python>=3.8。不建议使用特别新版本的 Python,可能有兼容性问题。)
3. 执行 bash prepare_yolov5.sh 拉取YOLOv5目标检测模型所需的代码,然后下载并预处理模型数据。
4. 将 export 文件夹从训练服务器中拷贝到部署服务器中。export 文件夹中应包括四个文件:cat.onnx, cat.json, fallback.onnx, fallback.json。
5. 在仓库根目录中创建 env 文件(不需要 . 号开头),填写服务运行参数。示例:

   HOST_NAME=127.0.0.1 # 主机名
   PORT=3456 # HTTP服务端口
   SECRET_KEY='keyboard cat' # 接口密钥(用于哈希签名认证)
   TOLERANT_TIME_ERROR=60 # 调用接口时附带的时间戳参数与服务器时间之间的最大允许误差(单位:s)
   IMG_SIZE=256 # 猫猫识别模型的输入图像大小
   FALLBACK_IMG_SIZE=512 # 无法检测到猫猫时使用的全图识别模型的输入图像大小
   CAT_BOX_MAX_RET_NUM=5 # 接口返回的图片中检测到的猫猫的最大个数
   RECOGNIZE_MAX_RET_NUM=20 # 接口返回的猫猫识别结果候选列表的最大个数

6. 现在,执行 python3 app.py,HTTP 接口服务将被启动。🎉(你可以自行使用 gunicorn 等框架完成更规范的部署,也可以只使用 pm2 进行简单管理。)