怎麼載入模型文件到伺服器
Ⅰ cs1.6 如何把模型放在伺服器上
如果在互聯網上玩的伺服器的話 別人進去那個伺服器 就會下載那個伺服器里的東西包括人物 如果你是在區域網上玩 你進去別人的伺服器或者別人進你的伺服器 是不會下載的 他們是按自己的版本的 除非你有伺服器在互聯網上 就可以
Ⅱ 我的世界怎麼把MOD裝到伺服器裡面
下個開服器，開服器文件夾里有個mods文件夾，把你要用的mod直接復制到mods文件夾裡面就好了，然後開服，如果正常開服的話就是成功安裝mod了
Ⅲ 如何在後台部署深度學習模型
搭建深度學習後台伺服器
我們的Keras深度學習REST API將能夠批量處理圖像，擴展到多台機器(包括多台web伺服器和Redis實例)，並在負載均衡器之後進行循環調度。
為此，我們將使用:
KerasRedis(內存數據結構存儲)
Flask (python的微web框架)
消息隊列和消息代理編程範例
- redis-server
- python run_keras_server.py
- curl -X POST -F [email protected] 'http://localhost:5000/predict'
- {"predictions": [{"label": "beagle","probability": 0.9461546540260315},{"label": "bluetick","probability": 0.031958919018507004},{"label": "redbone","probability": 0.006617196369916201},{"label": "Walker_hound","probability": 0.0033879687543958426},{"label": "Greater_Swiss_Mountain_dog","probability": 0.0025766862090677023}],"success": true}
- # import the necessary packagesimport requests# initialize the Keras REST API endpoint URL along with the input# image pathKERAS_REST_API_URL = "http://localhost:5000/predict"IMAGE_PATH = "jemma.png"
- # load the input image and construct the payload for the requestimage = open(IMAGE_PATH, "rb").read()payload = {"image": image}# submit the requestr = requests.post(KERAS_REST_API_URL, files=payload).json()# ensure the request was sucessfulif r["success"]: # loop over the predictions and display them for (i, result) in enumerate(r["predictions"]): print("{}. {}: {:.4f}".format(i + 1, result["label"], result["probability"]))# otherwise, the request failedelse: print("Request failed")
- python simple_request.py
本篇文章的整體思路如下：
我們將首先簡要討論Redis數據存儲，以及如何使用它促進消息隊列和消息代理。然後，我們將通過安裝所需的Python包來配置Python開發環境，以構建我們的Keras深度學習REST API。一旦配置了開發環境，就可以使用Flask web框架實現實際的Keras深度學習REST API。在實現之後，我們將啟動Redis和Flask伺服器，然後使用cURL和Python向我們的深度學習API端點提交推理請求。最後，我們將以對構建自己的深度學習REST API時應該牢記的注意事項的簡短討論結束。
第一部分：簡要介紹Redis如何作為REST API消息代理/消息隊列
測試和原文的命令一致。
第三部分：配置Python開發環境以構建Keras REST API
文章中說需要創建新的虛擬環境來防止影響系統級別的python項目（但是我沒有創建），但是還是需要安裝rest api所需要依賴的包。以下為所需要的包。
第四部分：實現可擴展的Keras REST API
首先是Keras Redis Flask REST API數據流程圖
讓我們開始構建我們的伺服器腳本。為了方便起見，我在一個文件中實現了伺服器，但是它可以按照您認為合適的方式模塊化。為了獲得最好的結果和避免復制/粘貼錯誤，我建議您使用本文的「下載」部分來獲取相關的腳本和圖像。
為了簡單起見，我們將在ImageNet數據集上使用ResNet預訓練。我將指出在哪裡可以用你自己的模型交換ResNet。flask模塊包含flask庫(用於構建web API)。redis模塊將使我們能夠與redis數據存儲介面。從這里開始，讓我們初始化將在run_keras_server.py中使用的常量.
我們將向伺服器傳遞float32圖像，尺寸為224 x 224，包含3個通道。我們的伺服器可以處理一個BATCH_SIZE = 32。如果您的生產系統上有GPU(s)，那麼您需要調優BATCH_SIZE以獲得最佳性能。我發現將SERVER_SLEEP和CLIENT_SLEEP設置為0.25秒(伺服器和客戶端在再次輪詢Redis之前分別暫停的時間)在大多數系統上都可以很好地工作。如果您正在構建一個生產系統，那麼一定要調整這些常量。
讓我們啟動我們的Flask app和Redis伺服器:
在這里你可以看到啟動Flask是多麼容易。在運行這個伺服器腳本之前，我假設Redis伺服器正在運行(之前的redis-server)。我們的Python腳本連接到本地主機6379埠(Redis的默認主機和埠值)上的Redis存儲。不要忘記將全局Keras模型初始化為None。接下來我們來處理圖像的序列化:
Redis將充當伺服器上的臨時數據存儲。圖像將通過諸如cURL、Python腳本甚至是移動應用程序等各種方法進入伺服器，而且，圖像只能每隔一段時間(幾個小時或幾天)或者以很高的速率(每秒幾次)進入伺服器。我們需要把圖像放在某個地方，因為它們在被處理前排隊。我們的Redis存儲將作為臨時存儲。
為了將圖像存儲在Redis中，需要對它們進行序列化。由於圖像只是數字數組，我們可以使用base64編碼來序列化圖像。使用base64編碼還有一個額外的好處，即允許我們使用JSON存儲圖像的附加屬性。
base64_encode_image函數處理序列化。類似地，在通過模型傳遞圖像之前，我們需要反序列化圖像。這由base64_decode_image函數處理。
預處理圖片
我已經定義了一個prepare_image函數，它使用Keras中的ResNet50實現對輸入圖像進行預處理，以便進行分類。在使用您自己的模型時，我建議修改此函數，以執行所需的預處理、縮放或規范化。
從那裡我們將定義我們的分類方法
classify_process函數將在它自己的線程中啟動，我們將在下面的__main__中看到這一點。該函數將從Redis伺服器輪詢圖像批次，對圖像進行分類，並將結果返回給客戶端。
在model = ResNet50(weights="imagenet")這一行中，我將這個操作與終端列印消息連接起來——根據Keras模型的大小，載入是即時的，或者需要幾秒鍾。
載入模型只在啟動這個線程時發生一次——如果每次我們想要處理一個映像時都必須載入模型，那麼速度會非常慢，而且由於內存耗盡可能導致伺服器崩潰。
載入模型後，這個線程將不斷輪詢新的圖像，然後將它們分類（注意這部分代碼應該時尚一部分的繼續）
在這里，我們首先使用Redis資料庫的lrange函數從隊列(第79行)中獲取最多的BATCH_SIZE圖像。
從那裡我們初始化imageIDs和批處理(第80和81行)，並開始在第84行開始循環隊列。
在循環中，我們首先解碼對象並將其反序列化為一個NumPy數組image(第86-88行)。
接下來，在第90-96行中，我們將向批處理添加圖像(或者如果批處理當前為None，我們將該批處理設置為當前圖像)。
我們還將圖像的id附加到imageIDs(第99行)。
讓我們完成循環和函數
在這個代碼塊中，我們檢查批處理中是否有圖像(第102行)。如果我們有一批圖像，我們通過模型(第105行)對整個批進行預測。從那裡，我們循環一個圖像和相應的預測結果(110-122行)。這些行向輸出列表追加標簽和概率，然後使用imageID將輸出存儲在Redis資料庫中(第116-122行)。
我們使用第125行上的ltrim從隊列中刪除了剛剛分類的圖像集。最後，我們將睡眠設置為SERVER_SLEEP時間並等待下一批圖像進行分類。下面我們來處理/predict我們的REST API端點
稍後您將看到，當我們發布到REST API時，我們將使用/predict端點。當然，我們的伺服器可能有多個端點。我們使用@app。路由修飾符以第130行所示的格式在函數上方定義端點，以便Flask知道調用什麼函數。我們可以很容易地得到另一個使用AlexNet而不是ResNet的端點，我們可以用類似的方式定義具有關聯函數的端點。你懂的，但就我們今天的目的而言，我們只有一個端點叫做/predict。
我們在第131行定義的predict方法將處理對伺服器的POST請求。這個函數的目標是構建JSON數據，並將其發送回客戶機。如果POST數據包含圖像(第137和138行)，我們將圖像轉換為PIL/Pillow格式，並對其進行預處理(第141-143行)。
在開發這個腳本時，我花了大量時間調試我的序列化和反序列化函數，結果發現我需要第147行將數組轉換為C-contiguous排序(您可以在這里了解更多)。老實說，這是一個相當大的麻煩事，但我希望它能幫助你站起來，快速跑。
如果您想知道在第99行中提到的id，那麼實際上是使用uuid(通用唯一標識符)在第151行生成的。我們使用UUID來防止hash/key沖突。
接下來，我們將圖像的id和base64編碼附加到d字典中。使用rpush(第153行)將這個JSON數據推送到Redis db非常簡單。
讓我們輪詢伺服器以返回預測
我們將持續循環，直到模型伺服器返回輸出預測。我們開始一個無限循環，試圖得到157-159條預測線。從這里，如果輸出包含預測，我們將對結果進行反序列化，並將結果添加到將返回給客戶機的數據中。我們還從db中刪除了結果(因為我們已經從資料庫中提取了結果，不再需要將它們存儲在資料庫中)，並跳出了循環(第163-172行)。
否則，我們沒有任何預測，我們需要睡覺，繼續投票(第176行)。如果我們到達第179行，我們已經成功地得到了我們的預測。在本例中，我們向客戶機數據添加True的成功值(第179行)。注意:對於這個示例腳本，我沒有在上面的循環中添加超時邏輯，這在理想情況下會為數據添加一個False的成功值。我將由您來處理和實現。最後我們稱燒瓶。jsonify對數據，並將其返回給客戶端(第182行)。這就完成了我們的預測函數。
為了演示我們的Keras REST API，我們需要一個__main__函數來實際啟動伺服器
第186-196行定義了__main__函數，它將啟動classify_process線程(第190-192行)並運行Flask應用程序(第196行)。
第五部分：啟動可伸縮的Keras REST API
要測試我們的Keras深度學習REST API，請確保使用本文的「下載」部分下載源代碼示例圖像。從這里，讓我們啟動Redis伺服器，如果它還沒有運行:
然後，在另一個終端中，讓我們啟動REST API Flask伺服器:
另外，我建議在向伺服器提交請求之前，等待您的模型完全載入到內存中。現在我們可以繼續使用cURL和Python測試伺服器。
第七部分：使用cURL訪問Keras REST API
使用cURL來測試我們的Keras REST API伺服器。這是我的家庭小獵犬Jemma。根據我們的ResNet模型，她被歸類為一隻擁有94.6%自信的小獵犬。
你會在你的終端收到JSON格式的預測:
第六部分：使用Python向Keras REST API提交請求
如您所見，使用cURL驗證非常簡單。現在，讓我們構建一個Python腳本，該腳本將發布圖像並以編程方式解析返回的JSON。
讓我們回顧一下simple_request.py
我們在這個腳本中使用Python請求來處理向伺服器提交數據。我們的伺服器運行在本地主機上，可以通過埠5000訪問端點/predict，這是KERAS_REST_API_URL變數(第6行)指定的。
我們還定義了IMAGE_PATH(第7行)。png與我們的腳本在同一個目錄中。如果您想測試其他圖像，請確保指定到您的輸入圖像的完整路徑。
讓我們載入圖像並發送到伺服器:
我們在第10行以二進制模式讀取圖像並將其放入有效負載字典。負載通過請求發送到伺服器。在第14行發布。如果我們得到一個成功消息，我們可以循環預測並將它們列印到終端。我使這個腳本很簡單，但是如果你想變得更有趣，你也可以使用OpenCV在圖像上繪制最高的預測文本。
第七部分：運行簡單的請求腳本
編寫腳本很容易。打開終端並執行以下命令(當然，前提是我們的Flask伺服器和Redis伺服器都在運行)。
使用Python以編程方式使用我們的Keras深度學習REST API的結果
第八部分：擴展深度學習REST API時的注意事項
如果您預期在深度學習REST API上有較長一段時間的高負載，那麼您可能需要考慮一種負載平衡演算法，例如循環調度，以幫助在多個GPU機器和Redis伺服器之間平均分配請求。
記住，Redis是內存中的數據存儲，所以我們只能在隊列中存儲可用內存中的盡可能多的圖像。
使用float32數據類型的單個224 x 224 x 3圖像將消耗602112位元組的內存。
Ⅳ 如何將cnn模型放到伺服器上運行
一、模型載入
用已經訓練好的模型來檢測，rcnn_model_file指模型路徑。
二、候選區域提取（Region proposals）
本論文採用selective search[3]方法生成候選區域，代碼作者以給出，rcnn代碼中的selective_search_boxes.m是根據selective search源代碼中的demo.m修改的，參數im是矩陣圖，不是圖片路徑，最後輸出格式為N * 4的矩陣，N表示region proposals 的個數，每行表示一個region proposal對角線坐標。
三、特徵提取（Feature extraction）
使用rcnn_features為每一個region proposals提取cnn特徵，輸出結果為N * 4096，每行表示一個region proposal的特徵。
四、分類（classification）
調用下面函數為每一個region proposal計算各類的score，結果為N * C 矩陣，C表示物體類別個數，每行表示一個region proposal對應各個類別的score。
Ⅳ xml樣式文件放伺服器上應該怎麼載入
配置一個Servlet，啟動的時候載入Servlet，在servlet的初始化方法中，寫代碼讀取你的xml文件中的信息，放到內存中即可。
Ⅵ eps怎麼載入三維模型
eps載入三維模型的方法是：使用OSGB生成DSM文件。
eps它有一個osgb數據轉換，也就這是我們的轉換格式。這是smart3D生成的OS gb格式。這個也是一樣，首先我先把路徑所有的都給它清空，然後自己在選擇新的選擇路徑名。這個是要選擇smart3D的數據。
該文件內它包含的這些都是他的文件夾，我們直接選擇data目錄就可以，然後這個元數據是選它的xml文件。
我們選一下傾斜攝影的XML文件，然後我們點擊確定，他在轉換轉換的話，它也會在它的同目錄生成一個DSM這個是很快的，我們可以看一下。
因為這是在本機器，然後下邊我們還有一個在網路的話，一般是為了統一管理。我們看一下它的路徑，我們載入Dsm，現在這一片我們就是要生產的smart3D生成的OSGB的格式生成的數據，我們左邊同時也可以載入超大影像，它也是有相對應的正射影像的。
eps三維模型旋轉模型的方法是：
我們看一下剛剛我們看的垂直攝影的立面，就是側面的紋理就非常的不清晰，都是拉花的狀態。現在咱們看一下，特別清晰了。
你360度的旋轉，咱們旋轉的時候按住滑鼠的左鍵按鈕，然後他就可以360度旋轉了。你看他側面的所有的紋理都是非常清晰的，而且包括你從視覺上你就可以數出來這個樓到底是幾層。
Ⅶ 如何在unitywebgl上載入10g模型
前言
大部分的webgl框架，比如threejs和babylon等，都可以載入obj和gltf模型。 我們的引擎，基於three封裝，同樣有載入模型的loader，因此載入obj和gltf模型也是很簡單就可以實現的。
不過載入文件都是在線的文件，也就是通過url的形式進行載入。 團隊開發的三維可視化平台框架，需要能夠上傳obj和gltf等格式的模型，在上傳前，需要先對模型預覽，這就涉及到如何載入本地模型的問題了。
載入本地模型
本文以gltf為例，進行說明。 載入本地模型的思路是這樣的： 既然引擎可以通過url的機制，載入模型。 那麼如果有一種機制，可以把本地文件及其關聯的資源（比如貼圖）等轉換成url的形式，就可以進行使用loader進行訪問了。
Blob & File
首先我們學習下Blob和File對象，以下內容來自MDN:
Blob對象表示一個不可變、原始數據的類文件對象。它的數據可以按文本或二進制的格式進行讀取，也可以轉換成 ReadableStream 來用於數據操作。
Blob 表示的不一定是JavaScript原生格式的數據。File 介面基於Blob，繼承了 blob 的功能並將其擴展使其支持用戶系統上的文件。
File 對象是特殊類型的 Blob，且可以用在任意的 Blob 類型的 context 中。比如說， FileReader, URL.createObjectURL(), createImageBitmap() (en-US), 及 XMLHttpRequest.send() 都能處理 Blob 和 File。
Ⅷ 如何載入資料庫Fbx文件，不是assetbundle
由於我們要將模型資源放在遠程的伺服器端，但如果直接放fbx模型是不可以載入的，所以我們可以將fbx做成預設或者是直接將其打包成assetbundle格式的，然後通過www來載入獲取。
1.首先要講一下不同平台下的一個StreamingAssets路徑，這是不同的。
//不同平台下StreamingAssets的路徑是不同的，這里需要注意一下。
public static readonly string PathURL =
#if UNITY_ANDROID //安卓
"jar:file://" + Application.dataPath + "!/assets/";
#elif UNITY_IPHONE //iPhone
Application.dataPath + "/Raw/";
#elif UNITY_STANDALONE_WIN || UNITY_EDITOR //windows平台和web平台
"file://" + Application.dataPath + "/StreamingAssets/";
#else
string.Empty;
#endif
這就獲取到了不同平台的一個路徑，我們可以將打包的文件放在這些路徑下，然後再從這路徑去讀取資源。
2.關於打包assetbundle的腳本
using UnityEngine;
using System.Collections;
using UnityEditor;
public class Test : Editor
{
//打包單個
[MenuItem("Custom Editor/Create AssetBunldes Main")]
static void CreateAssetBunldesMain ()
{
//獲取在Project視圖中選擇的所有游戲對象
Object[] SelectedAsset = Selection.GetFiltered (typeof(Object), SelectionMode.DeepAssets);
//遍歷所有的游戲對象
foreach (Object obj in SelectedAsset)
{
//本地測試：建議最後將Assetbundle放在StreamingAssets文件夾下，如果沒有就創建一個，因為移動平台下只能讀取這個路徑
//StreamingAssets是只讀路徑，不能寫入
//伺服器下載：就不需要放在這里，伺服器上客戶端用www類進行下載。
string targetPath = Application.dataPath + "/StreamingAssets/" + obj.name + ".assetbundle";
if (BuildPipeline.BuildAssetBundle (obj, null, targetPath, BuildAssetBundleOptions.CollectDependencies)) {
Debug.Log(obj.name +"資源打包成功");
}
else
{
Debug.Log(obj.name +"資源打包失敗");
}
}
//刷新編輯器
AssetDatabase.Refresh ();
}
[MenuItem("Custom Editor/Create AssetBunldes ALL")]
static void CreateAssetBunldesALL ()
{
Caching.CleanCache ();
string Path = Application.dataPath + "/StreamingAssets/ALL.assetbundle";
Object[] SelectedAsset = Selection.GetFiltered (typeof(Object), SelectionMode.DeepAssets);
foreach (Object obj in SelectedAsset)
{
Debug.Log ("Create AssetBunldes name :" + obj);
}
//這里注意第二個參數就行
if (BuildPipeline.BuildAssetBundle (null, SelectedAsset, Path, BuildAssetBundleOptions.CollectDependencies)) {
AssetDatabase.Refresh ();
} else {
}
}
[MenuItem("Custom Editor/Create Scene")]
static void CreateSceneALL ()
{
//清空一下緩存
Caching.CleanCache();
string Path = Application.dataPath + "/MyScene.unity3d";
string []levels = {"Assets/Level.unity"};
//打包場景
BuildPipeline.BuildPlayer( levels, Path,BuildTarget.WebPlayer, BuildOptions.BuildAdditionalStreamedScenes);
AssetDatabase.Refresh ();
}
}
前提要新手動創建一個StreamingAssets文件夾
3.讀取資源，這里只舉例從本地讀取，跟從網路讀取是一樣的，可以參考官方文檔：
using UnityEngine;
using System.Collections;
public class RunScript : MonoBehaviour
{
//不同平台下StreamingAssets的路徑是不同的，這里需要注意一下。
public static readonly string PathURL =
#if UNITY_ANDROID
"jar:file://" + Application.dataPath + "!/assets/";
#elif UNITY_IPHONE
Application.dataPath + "/Raw/";
#elif UNITY_STANDALONE_WIN || UNITY_EDITOR
"file://" + Application.dataPath + "/StreamingAssets/";
#else
string.Empty;
#endif
void OnGUI()
{
if(GUILayout.Button("Main Assetbundle"))
{
//StartCoroutine(LoadMainGameObject(PathURL + "Prefab0.assetbundle"));
//StartCoroutine(LoadMainGameObject(PathURL + "Prefab1.assetbundle"));
StartCoroutine(LoadMainCacheGameObject(PathURL + "Prefab0.assetbundle"));
StartCoroutine(LoadMainCacheGameObject(PathURL + "Prefab1.assetbundle"));
}
if(GUILayout.Button("ALL Assetbundle"))
{
StartCoroutine(LoadALLGameObject(PathURL + "ALL.assetbundle"));
}
if(GUILayout.Button("Open Scene"))
{
StartCoroutine(LoadScene());
}
}
//讀取一個資源
private IEnumerator LoadMainGameObject(string path)
{
WWW bundle = new WWW(path);
yield return bundle;
//載入到游戲中
yield return Instantiate(bundle.assetBundle.mainAsset);
bundle.assetBundle.Unload(false);
}
//讀取全部資源
private IEnumerator LoadALLGameObject(string path)
{
WWW bundle = new WWW(path);
yield return bundle;
//通過Prefab的名稱把他們都讀取出來
Object obj0 = bundle.assetBundle.Load("Prefab0");
Object obj1 = bundle.assetBundle.Load("Prefab1");
//載入到游戲中
yield return Instantiate(obj0);
yield return Instantiate(obj1);
bundle.assetBundle.Unload(false);
}
private IEnumerator LoadMainCacheGameObject(string path)
{
WWW bundle = (path,5);
yield return bundle;
//載入到游戲中
yield return Instantiate(bundle.assetBundle.mainAsset);
bundle.assetBundle.Unload(false);
}
private IEnumerator LoadScene()
{
WWW download = ("file://"+Application.dataPath + "/MyScene.unity3d", 1);
yield return download;
var bundle = download.assetBundle;
Application.LoadLevel ("Level");
}
}
Ⅸ 網游的地圖人物模型在伺服器哪裡
問題說簡單也簡單，說難也難，給你個大體的說法首先找到1個模型，然後解壓在桌。然後打開1個地圖（沒有加密的）然後按F12，找到一個像左箭頭的那個（文件，模型導入）。然後導入你放在桌面上的東西。在這里我要說明下。一般來說是有2個樣式。2個文件，一個是BIP，還有一個是MDX文件。一般就這2個。我們先將這2個文件的名字叫123.mdx 和123.blp.（他文件前面名字一樣後面的格式不一樣）。然後這里重點出來了。你導入成功之後你就看見這個，war3....\123.mdx ，war3....\123.blp，這是不能用的，你必須要刪除掉一個東西才可以。你雙擊「war3....\123.blp」，然後點擊自定義然後把前面的東西全部刪除只剩下這：「123.blp」，而那個MDX文件不要管他，刪除完成之後保存地圖，然後關閉WE工具。是完完全全的關閉。再然後打開你那個地圖之後隨便找個單位在模型中選擇第2個，你導入的模型即可。如果這樣你還不懂， 我已經加你QQ，可以問我。
Ⅹ prprlive下載好的模型文件怎麼導入
首先打開prprlive（steam有下載）
左上角導入模型。
點擊載入，尋找本地模型目錄。
找到對應模型文件夾的json雙擊導入。
再次點擊左上角雙擊已經導入的模型。
出現模型後alt+滾輪縮放。
點擊面捕設置。
自動眨眼建議關閉有時影響眼睛識別。
選擇好攝像頭後開啟面捕。
按鍵設置選擇左上角第二項。