标签：style -- demo content 利器 file path streamlit
本文首发于：行者AI
在工作当中，算法工程师经常需要快速编写一些演示demo，例如快速演示一些算法，或者需要编写数据标注的工具等。常见的实现方式是算法工程师试用flask等框架编写api，再由前端工程师编写相关的网页调用api。这样毫无疑问是非常耗时，效率低下的。
然而，使用streamlit框架就可以快速搭建demo页面，算法工程师只使用python语言就可以编写比较精美的demo页面。streamlit框架内部负责处理网页的渲染工作，算法工程师将重点放在算法的流程方面就好。
框架安装
streamlit框架的安装非常简单，使用pip就可以安装：
pip install streamlit
安装完成之后，可以使用命令进行版本验证：
streamlit --version
在这篇文章当中，我会用一个实际工作中的例子简单介绍streamlit框架的使用流程。
项目准备
Collaborative-Distillation是一个支持高分辨率的图像风格化方案，该模型的输入是风格图片以及待处理的图片，输出是风格化之后的图片。
在这个代码仓库当中，我们需要使用比较复杂的命令行命令来进行风格化操作：
# use original VGG-19, normal images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode original
# use original VGG-19, ultra-res images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode original --UHD
# use our pruned VGG-19, normal images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x
# use our pruned VGG-19, ultra-res images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x --UHD
# If your RAM cannot afford some large images, you can change the content and style size via '--content_size' and '--style_size'
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x --UHD --content_size 3000 --style_size 2000
但是这样的操作对于用户来说相当复杂，所以我们可以使用streamlit编写一个demo页面，方便用户使用。
在这个demo页面当中，会用到streamlit的以下几种组件：
-
streamlit.file_uploader：文件上传组件，具体见下图
该组件支持拖拽上传文件和文件管理器选择文件，相对来说比较方便，使用方法如下列代码所示：
style_file = st.file_uploader("请上传风格化图片") if style_file: stringio = style_file.getvalue() style_file_path = 'style_file/'+ style_file.name with open(style_file_path,'wb') as f: f.write(stringio)使用文件上传组件上传文件之后，可以使用上面的代码将文件保存到特定路径等待使用。
-
streamlit.image：图片显示组件，具体见下图：
该组件可以在demo页面中根据图片路径显示图片。
style_file_path = 'style_file/'+ style_file.name st.image(style_file_path) -
streamlit.write：文字显示组件，该组件可以在网页上显示一些提示信息。
st.write('高分辨率风格化demo') -
streamlit.button：按钮组件，点击之后可以进行一些任务。
if st.button('开始进行风格化处理'): style_func() -
streamlit.progress：进度显示组件，可以用来显示任务的进度。
for i in range(0,100,10): st.progress(i + 1)
streamlit中还有一些重要的组件，例如：
-
streamlit.cache：数据缓存组件，该组件可以作为装饰器使用，用处是缓存数据，加快数据载入速度。可以用在需要反复加载数据或者进行计算的函数当中。
@st.cache def load_dataset(data_link): dataset = pd.read_csv(data_link) return dataset -
streamlit.audio：音频展示组件，可以根据音频地址播放音频。
with open('audio.mp3','rb') as f:
st.audio(f,format="audio/mp3")
-
streamlit.audio：选择组件，该组件可以让用户从多个选项中选择一项。
model_choose = st.radio('请选择分离模型：',['人声+伴奏','人声+钢琴+吉他+鼓+其他'],0)
其中参数0表示默认选择第一项。
streamlit支持的组件还是很多的，如果感兴趣，请参考官方文档。
项目编写
这个demo页面的主要功能是让用户分别上传style图片和content图片，然后后台进行风格化操作，风格化操作完成之后显示结果图片。这样用户就可以快速的进行风格化操作并知道结果。
streamlit应用是用python语言编写的。在python文件开头，需要导入streamlit包。
import streamlit as st
接着进行文件的上传与预处理：
style_file = st.file_uploader("请上传风格化图片")
content_file = st.file_uploader("请上传待处理图片")
image_slot = st.empty()
if style_file:
stringio = style_file.getvalue()
style_file_path = 'style_file/'+ style_file.name
with open(style_file_path,'wb') as f:
f.write(stringio)
image_slot.image(style_file_path)
if content_file:
stringio = content_file.getvalue()
content_file_path = 'content_file/'+ content_file.name
with open(content_file_path,'wb') as f:
f.write(stringio)
if content_file and style_file:
img1 = Image.open( style_file_path)
img1 = img1.resize((640, 640))
img2 = Image.open( content_file_path)
img2 = img2.resize((640, 640))
new_img = Image.new('RGB', (1280, 640), 255)
new_img.paste(img1,(0,0))
new_img.paste(img2,(640,0))
new_img.save('concrate_file/' + os.path.basename(style_file_path))
image_slot.image('concrate_file/' + os.path.basename(style_file_path))
最后写一个按钮，执行风格化操作，并显示最终结果，同时添加一个进度条：
if st.button('开始进行风格化处理'):
my_bar = st.progress(10)
UHD_content_folder_path = 'PytorchWCT/content/UHD_content'
output_path = WCT_func.process(content_file_path,style_file_path)
for i in range(0,100,10):
my_bar.progress(i + 1)
my_bar.progress(100)
st.write('风格化之后的图片')
st.image(output_path)
项目的运行和部署
streamlit框架的运行方式非常简单，直接在命令行执行：
$ streamlit run streamlit_demo.py
就可以在浏览器中进行访问了。
总结
streamlit框架非常适合快速编写流程不太复杂且需要可视化操作的demo，作者从开始编写到编写完成这个demo用时不到半个小时，编写代码不到50行，而且运行部署起来非常方便，页面看起来要比使用flask之类的框架渲染出的网页美观许多，实乃算法工程师的利器。
PS：更多技术干货，快关注【公众号 | xingzhe_ai】，与行者一起讨论吧！
标签：style,--,demo,content,利器,file,path,streamlit 来源： https://www.cnblogs.com/xingzheai/p/14668116.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。