paddlers/change_detect.py

from paddlers.deploy import Predictor
# import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import uuid

# 第一步：构建Predictor。该类接受的构造参数如下：
#     model_dir: 模型路径（必须是导出的部署或量化模型）。
#     use_gpu: 是否使用GPU，默认为False。
#     gpu_id: 使用GPU的ID，默认为0。
#     cpu_thread_num：使用CPU进行预测时的线程数，默认为1。
#     use_mkl: 是否使用MKL-DNN计算库，CPU情况下使用，默认为False。
#     mkl_thread_num: MKL-DNN计算线程数，默认为4。
#     use_trt: 是否使用TensorRT，默认为False。
#     use_glog: 是否启用glog日志, 默认为False。
#     memory_optimize: 是否启动内存优化，默认为True。
#     max_trt_batch_size: 在使用TensorRT时配置的最大batch size，默认为1。
#     trt_precision_mode：在使用TensorRT时采用的精度，可选值['float32', 'float16']。默认为'float32'。
#
# 下面的语句构建的Predictor对象依赖static_models/目录中存储的部署格式模型，并使用GPU进行推理。
predictor = Predictor("inference_model/change", use_gpu=True)

def change_detect(image1,image2,outputPath):
    # 第二步：调用Predictor的predict()方法执行推理。该方法接受的输入参数如下：
    #     img_file: 对于场景分类、图像复原、目标检测和图像分割任务来说，该参数可为单一图像路径，或是解码后的、排列格式为（H, W, C）
    #         且具有float32类型的图像数据（表示为numpy的ndarray形式），或者是一组图像路径或np.ndarray对象构成的列表；对于变化检测
    #         任务来说，该参数可以为图像路径二元组（分别表示前后两个时相影像路径），或是两幅图像组成的二元组，或者是上述两种二元组
    #         之一构成的列表。
    #     topk: 场景分类模型预测时使用，表示选取模型输出概率大小排名前`topk`的类别作为最终结果。默认值为1。
    #     transforms: 对输入数据应用的数据变换算子。若为None，则使用从`model.yml`中读取的算子。默认值为None。
    #     warmup_iters: 预热轮数，用于评估模型推理以及前后处理速度。若大于1，会预先重复执行`warmup_iters`次推理，而后才开始正式的预测及其速度评估。默认值为0。
    #     repeats: 重复次数，用于评估模型推理以及前后处理速度。若大于1，会执行`repeats`次预测并取时间平均值。默认值为1。
    #
    # 下面的语句传入两幅输入影像的路径
    res = predictor.predict((image1, image2))

    # 第三步：解析predict()方法返回的结果。
    #     对于图像分割和变化检测任务而言，predict()方法返回的结果为一个字典或字典构成的列表。字典中的`label_map`键对应的值为类别标签图，对于二值变化检测
    #     任务而言只有0（不变类）或者1（变化类）两种取值；`score_map`键对应的值为类别概率图，对于二值变化检测任务来说一般包含两个通道，第0个通道表示不发生
    #     变化的概率，第1个通道表示发生变化的概率。如果返回的结果是由字典构成的列表，则列表中的第n项与输入的img_file中的第n项对应。
    #
    # 下面的语句从res中解析二值变化图（binary change map）
    cm = res['label_map']
    # 将标签图（cm）转换为图像格式
    change_map_image = Image.fromarray(np.uint8(cm * 255), 'L')

    # # 展示变化图
    # plt.imshow(change_map_image, cmap='gray')
    # plt.axis('off')  # 不显示坐标轴
    # plt.show()
    # TODO: 保存变化图
    savePath = outputPath+str(uuid.uuid4())+'.png'
    # 保存变化图
    change_map_image.save(savePath)

    # import paddlers as pdrs

    # predictor = pdrs.deploy.Predictor('./inference_model')
    # result = predictor.predict(img_file='test.jpg',
    #                            warmup_iters=100,
    #                            repeats=100)
    return savePath

start(r'E:\big_model\tuban\ceshi\A\1001.tif',r'E:\big_model\tuban\ceshi\B\1001.tif','E:/PaddleRS/predict/output/')