vlambda博客
学习文章列表

自从飞桨框架2.0发布以来，一直有用户期待什么时候能够帮助Java用户更便捷高效完成他们的部署任务。在过去，我们往往需要自己部署一台Model Server来做这个事情。但是，无论是维护方面，还是速度方面，很多时候都没有办法达到预期。现在，我们联手DeepJavaLibrary（以下简称为DJL）—— 一个基于Java的深度学习开发包，提供了一套飞桨Java推理API。

DJL x Paddle 是一个基于飞桨 C++ 推理库的轻量级Java推理库，它支持基本的飞桨Tensor，并可以用来对所有飞桨模型进行推理。DJL x Paddle可以直接在Windows、Linux和Mac操作系统，以及所有的Java环境中使用。

目前，我们为用户提供了两个基本的使用样例:

Paddle模型转换教程链接：

http://docs.djl.ai/docs/paddlepaddle/how_to_create_paddlepaddle_model_zh.html

Aaron是一名Boss，负责一家位于田纳西州的冷冻炸鸡加工厂。最近，他一直因为工人不戴口罩进厂工作而苦恼。为了保护员工的健康，他在厂子门前安装了摄像头。这样，他就可以在每次上班的时候，监督工人佩戴口罩的情况，只有戴上口罩才能入内。

可是，因为人流量众多，他们需要时时刻刻去盯着屏幕来判断是否要让工人进来。这样不仅十分不方便，还让工人因为人工筛查耽误时间变得焦躁。于是乎，Aaron就想：有没有什么办法能够将这个过程自动化，比如摄像头自动识别客人是否戴了口罩，然后自动将他们放进工厂？本科期间，他学过一点Java，工厂的网页后端也是自己用Java写的。他在网上搜索，有没有什么Java的方法能够解决这个问题。此时，DJL就出现在了眼前。对于Aaron来说，他并不了解AI，只是想找到一个现成的方法解决这个问题。

Aaron在DJL提供的案例里找到了基于飞桨的口罩识别应用模型！虽然飞桨和DJL都不曾听说过，但是代码看起来很简单，只需要稍作改动就可以完成任务。对于Aaron来说，这个模型可以进行面部识别，还能判断是否戴了口罩，完全满足了他的需求！

心动不如行动，他开始尝试直接使用这里所介绍的步骤完成他的口罩识别应用。首先，他需要引入DJL相关的依赖项至Gradle（Java中常用的构建工具）里:

dependencies {
  implementation "ai.djl:api:0.10.0"
  implementation "ai.djl.paddlepaddle:paddlepaddle-model-zoo:0.10.0"
  runtimeOnly "ai.djl.paddlepaddle:paddlepaddle-native-auto:2.0.0"
}

之后，直接导入图片：

String url = "/user/home/my_client.jpg";
Image img = ImageFactory.getInstance().fromUrl(url);

Aaron发现，DJL直接把模型和前后处理都封装好了。而后，只需要下面这些代码，就可以直接导入模型并且用来推理。首先，使用第一个模型，用以寻找人脸:

Map<String, String> filter = new ConcurrentHashMap<>();
filter.put("flavor", "server");

ZooModel<Image, DetectedObjects> model =
                PpModelZoo.FACE_DETECTION.loadModel(filter, null, new ProgressBar());

Predictor<Image, DetectedObjects> predictor = model.newPredictor();
DetectedObjects obj = predictor.predict(img);

之后只需要将推理结果映射到图片上即可：

Aaron心想：“ WOW，两个人脸都识别出来了。不对，等一下，它只找到了人脸，但是我们如何判断他们有没有戴口罩呢？”他继续往下看发现，原来还有一个模型需要使用，人们仅通过输入一张图片，就能判断是否戴了口罩：

Map<String, String> filter = new ConcurrentHashMap<>();
filter.put("flavor", "server");
ZooModel<Image, Classifications> model =
        PpModelZoo.MASK_DETECTION.loadModel(filter, null, new ProgressBar());
Predictor<Image, DetectedObjects> predictor = model.newPredictor();
Classifications result = predictor.predict(img);

“那就试试看？”Aaron嘀咕着。他把每张面部的推理结果映射到图片试试看：

诶，还不错嘛，识别精确度可以说是非常准了，终于可以用它来帮助我们开关门了。Aaron的这个设计节约了很大的人力成本，他也不需要每天盯在屏幕前了。没想到，就算是Java小白也可以轻松上手DJL x Paddle。

Aaron在DJL的Slack群里发了一条：

"Thanks for your help for this awesome application! Big love to DJL x Paddle :>"

翻译 （DJL组 Zach）: "wo bu hui zhong wen"

上面的案例只是冰山一角。我们提供了完整的中文教学，手把手帮你搭建一个属于自己的口罩检测模型。我们还提供了OCR模型的案例，可以帮助你顺利识别文字。

值得一提的是，我们在这次集成中带来了完全的Java支持，用户只需写几行代码便可以轻松读取模型并用来推理。飞桨框架2.0的训练十分简单，部署也十分轻松。后续我们还将继续优化支持，推出GPU推理以及一些其他方向的开发，敬请期待！

看完文章是不是有很多疑问想与作者交流？

请锁定飞桨B站直播间！

4月21日19:00本文作者兰青将直播分享项目详情！

如果您想详细了解更多飞桨的相关内容，请参阅以下文档。

https://github.com/awslabs/djl

·DJL项目文档·

http://docs.djl.ai/paddlepaddle/index.html

https://paddle-inference.readthedocs.io/en/latest/index.html

https://www.paddlepaddle.org.cn/