可视化目标检测算法推理部署（一）Gradio的UI设计

引言

在先前RT-DETR模型的学习过程中，博主自己使用Flask框架搭建了一个用于模型推理的小案例：

Flask+RT-DETR模型推理

在这个过程中，博主需要学习Flask、HTML等相关内容，并且博主做出的页面还很丑，那么，是否可以有一个工具可以帮助我们完成这个可视化的过程呢？今天，便来学习一个AI模型可视化工具包Gradio。

Gradio工具包

Gradio 是一个用于快速创建和共享机器学习模型的 Python 库。它允许开发者通过简单的代码定义输入和输出组件，创建一个 Web 界面，用户可以通过该界面进行机器学习模型的交互。Gradio 支持多种输入和输出类型，包括文本、视频、文件、滑块、单选、收听等。

首先是Gradio的安装条件

pip install gradio #安装，python大于等于3.8。

Gradio组件列表

Gradio 提供了多种组件，用于创建交互式界面。
gr.Interface：用来构建可视化界面。
gr.Image：用于图像输入和输出。
gr.Textbox：用于文本框输入和输出。
gr.DataFrame：用于数据框输入和输出。
gr.Dropdown：用于下拉选项输入。
gr.Number：用于数字输入和输出。
gr.Markdown：用于Markdown输入和输出。
gr.Files：用于文件输入和输出。
cols ：指定输入和输出组件的列数
rows ：指定输入和输出组件的行数
inputs ：指定输入组件的位置和大小
outputs ：指定输出组件的位置和大小
gr.Button：用于创建按钮，可以绑定点击事件。
gr.Checkbox：用于创建我们的。
gr.Radio：用于创建单选按钮组。
gr.Slider：用于创建滑块。
gr.Audio：用于音频输入和输出。
gr.Video：用于视频输入和输出。
gr.ColorPicker：用于颜色选择。
gr.File：用于文件上传。
gr.Model3D：用于3D模型展示。
gr.Plot：用于制作图表。
gr.HTML：用于嵌入HTML内容。
gr.JSON：用于 JSON 数据的输入和输出

事实上，该组件的使用十分简单，只需要确定输入、输出，页面便会帮你自动生成

文本输入与输出

文本输入 (Textbox)

import gradio as gr
def greet(name):return f"Hello, {name}!"
demo = gr.Interface(fn=greet, inputs=gr.Textbox(lines=2, placeholder="Enter your name here..."), outputs="text")
demo.launch()#执行

文本输出 (Textbox)

import gradio as gr
def echo(text):return textdemo = gr.Interface(fn=echo, inputs="text", outputs=gr.Textbox(label="Echoed Text"))
demo.launch()

由上可知，Gradio 可以包装几乎任何 Python 函数为易于使用的用户界面。其中，其构建页面使用的便是Interface类
Interface类通过以下三个参数进行初始化：

• fn：包装的函数
• inputs：输入组件类型，（例如：“text”、"image）
• ouputs：输出组件类型，（例如：“text”、"image）

通过这三个参数，我们可以快速创建一个接口并发布他们。

最常用的基础模块构成：

应用界面：gr.Interface(简易场景), gr.Blocks(定制化场景
输入输出：gr.Image(图像),gr.Textbox(文本框), gr.DataFrame(数据框), gr.Dropdown(下拉选项), gr.Number(数字),
gr.Markdown, gr.Files
控制组件：gr.Button(按钮) 布局组件：gr.Tab(标签页),
gr.Row(行布局), gr.Column(列布局)

图像输入和输出

图像输入 (Image)

import gradio as gr
def process_image(image):# 这里可以添加图像处理逻辑return image
demo = gr.Interface(fn=process_image, inputs=gr.Image(type="pil"), outputs="image")
demo.launch()

图像输出 (Image)

import gradio as gr
from PIL import Image
def generate_image():img = Image.new("RGB", (100, 100), color="red")return img
demo = gr.Interface(fn=generate_image, inputs=None, outputs=gr.Image(type="pil"))
demo.launch()

由于没有input，点击Generate后生成红色画布

其余的也如法炮制即可

Gradio案例

了解了gradio的基础用法，我们来看看如何实现一些小案例：

多组件UI设计

上面的用法中介绍了各个组件的单独用法，那么，如果我们该如何设计多组件UI呢？
如下，有三个输入组件，两个输出组件组成

import gradio as gr
def greet(name, is_morning, temperature):# salutation表示致意、问候salutation = "Good morning" if is_morning else "Good evening"greeting = f"{salutation} {name}. It is {temperature} degrees today"# 摄氏温度 = (华氏温度 – 32) ÷ 1.8celsius = (temperature - 32) * 5 / 9return greeting, round(celsius, 2)demo = gr.Interface(fn=greet,inputs=["text", "checkbox", gr.Slider(0, 100,label="华氏温度")],outputs=["text", "number"],
)
demo.launch(server_port=30001)

多任务UI设计

当我们有多个任务时，比如目标检、分类或者语义分割，我们需要设计多Tag选项卡，此时设计如下：

import gradio as gr
#app 1
def user_greeting(name):return "Hi! " + name + " Welcome !"#app 2
def user_help(value):return f"you pick {value} "def tags3(img):return img# tags1的输入、输出，以及对应处理函数
app1 =  gr.Interface(fn = user_greeting, inputs="text", outputs="text")
# tags1的输入、输出，以及对应处理函数
app2 =  gr.Interface(fn = user_help, inputs="slider", outputs="text")
# tags1的输入、输出，以及对应处理函数
app3 =  gr.Interface(fn = tags3, inputs="image", outputs="image")demo = gr.TabbedInterface([app1, app2,app3],tab_names=["第一个界面", "第二个界面","tags3_图像"],title="多选项卡demo"
)
demo.launch()

自定义组件

自定制组件：Blocks构建应用
相比Interface，Blocks提供了一个低级别的API，用于设计具有更灵活布局和数据流的网络应用。Blocks允许控制组件在页面上出现的位置，处理复杂的数据流（例如，输出可以作为其他函数的输入），并根据用户交互更新组件的属性可见性。

import gradio as gr
def greet(name):return "Hello " + name + "!"
with gr.Blocks() as demo:#设置输入组件name = gr.Textbox(label="Name")# 设置输出组件output = gr.Textbox(label="Output Box")#设置按钮greet_btn = gr.Button("Greet")#设置按钮点击事件greet_btn.click(fn=greet, inputs=name, outputs=output)
demo.launch()

首先，注意with gr.Blocks() as demo:子句。Blocks应用程序代码将包含在这个子句中。
接下来是组件。这些是用于Interface的相同组件。然而，组件不是传递给某个构造函数，而是在with子句内创建时自动添加到Blocks中。

最后，是click()事件监听器。事件监听器定义了应用程序内的数据流。在上面的例子中，监听器将两个文本框连接在一起。文本框name作为输入，文本框output作为输出到greet方法。这种数据流是在按钮greet_btn被点击时触发的。与Interface一样，事件监听器可以接受多个输入或输出。

您还可以使用装饰器附加事件监听器 - 跳过fn参数，并直接分配inputs和outputs：

import gradio as gr
with gr.Blocks() as demo:name = gr.Textbox(label="Name")output = gr.Textbox(label="Output Box")greet_btn = gr.Button("Greet")@greet_btn.click(inputs=name, outputs=output)def greet(name):return "Hello " + name + "!"
demo.launch()

至此，我们已经掌握了Gradio的基础用法，足以应对一些简单的AI模型部署场景。
接下来，便是通过与相应的目标检测模型文件相结合，搭建我们的目标检测案例了。