%20(2).svg)
项目简介
本项目将微服务架构与机器学习模型服务相结合，主要探索微服务架构在实际场景中的应用，同时搭建一个基于Fast R-CNN模型的机器学习模型服务器。项目运用Python 3.X和Flask框架构建，采用MongoDB存储数据，Redis作为内存数据库，Consul进行服务注册与发现，Nginx实现负载均衡，还借助Docker方便环境部署。项目涵盖数据存储微服务和机器学习模型服务，可完成文件存储操作与目标检测任务。
项目的主要特性和功能
微服务架构部分
- 数据存储微服务：支持文件和数据库两种存储方式。文件存储采用集中式，数据库存储依据文件大小选择二进制存储或GridFS分片存储。提供文件上传、下载、删除、查看和移动等操作，使用RESTful接口约定。
- 服务注册与发现：利用Consul进行服务注册与发现，降低服务部署和修改的影响，便于管理多个微服务。
机器学习模型服务部分
- 模型服务：提供基于Fast R-CNN模型的Web服务接口，支持用户上传图片进行目标检测。
- 模型下载：用户可通过API接口下载Fast R-CNN的模型文件。
- RESTful API：通过Flask-RESTful框架实现RESTful API接口，支持HTTP请求进行目标检测和模型下载。
- 日志系统：使用Python日志模块配置日志系统，记录不同级别的日志信息。
- 单元测试：提供针对Fast R-CNN模型的单元测试，保证模型在不同情况下正常工作。
安装使用步骤
通用环境准备
确保已安装Python 3.X版本，以及Flask、Flask-RESTful、TensorFlow等必要的Python库。
配置文件
根据项目需求，配置config.conf文件中的参数，如数据库连接信息、API端口号等。
运行服务
微服务架构部分
- 运行单节点的Consul（可参考网上教程https://livewyer.io/blog/2015/02/05/service-discovery-docker-containers-using-consul-and-registrator/ ）。
- 运行数据存储微服务相关代码，启动服务。
机器学习模型服务部分
运行server.py文件，启动Flask服务器。
测试功能
微服务架构部分
通过浏览器查看Consul的UI界面，确认服务运行状态信息。
机器学习模型服务部分
- 通过
fastrcnnRoute.py中的API接口上传图片进行目标检测，并下载模型文件。 - 运行
log.py中配置的日志系统，查看不同级别的日志信息。 - 运行
fastrcnnUnitTest.py中的测试脚本，确保模型在不同场景下功能正常。
注意事项
- 确保安装所有依赖的Python库。
- 修改
config.conf文件中的参数以适应项目需求。 - 实际部署时，考虑API的安全性，如使用HTTPS、API密钥或令牌进行身份验证。
- 确保代码处理了可能的错误和异常，提供健壮的服务。
- 根据需求调整日志级别和日志输出方式，用于监控和调试服务。
- 根据性能需求，可能需要对代码和模型进行优化，如使用更高效的模型、调整模型参数等。
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】