YOLOv9 API封装教程：构建REST接口供外部调用

YOLOv9 API封装教程：构建REST接口供外部调用

你有没有遇到过这样的情况：模型训练好了，效果也不错，但别人想用你的检测功能时，还得装环境、跑命令行，甚至要改代码？太麻烦了。如果能像调用天气接口一样，发个图片链接就返回识别结果，那该多好。

这就是我们今天要解决的问题——把 YOLOv9 封装成一个 RESTful API 接口，让任何人都能通过简单的 HTTP 请求来调用目标检测功能。本文将手把手带你从零开始，在官方镜像基础上，用 Python + Flask 搭建一个稳定可用的图像检测服务接口，无需深度学习部署经验也能上手。

1. 准备工作：了解基础环境

在开始封装之前，先确认你使用的镜像是文中提到的YOLOv9 官方版训练与推理镜像。这个镜像已经为你省去了大量配置时间：

• 基于WongKinYiu/yolov9官方仓库构建
• 预装 PyTorch 1.10.0 + CUDA 12.1 + Python 3.8.5
• 包含 OpenCV、NumPy 等常用库
• 代码位于/root/yolov9
• 已预下载yolov9-s.pt权重文件

这意味着我们不需要再处理依赖问题，可以直接进入开发阶段。

1.1 激活环境并测试原始推理

首先确保你处于正确的 Conda 环境中：

conda activate yolov9 cd /root/yolov9

运行一次默认推理命令，验证模型是否正常工作：

python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 --weights './yolov9-s.pt' --name yolov9_s_640_detect

如果成功执行，你会在runs/detect/yolov9_s_640_detect目录下看到带框标注的输出图片。这说明模型可以正常加载和推理，接下来就可以进行 API 封装了。

2. 设计API服务架构

我们要做的不是简单地把命令行包装一下，而是构建一个结构清晰、可扩展的服务。整个流程如下：

1. 外部用户发送一张图片（或图片 URL）
2. 服务接收请求，保存图片
3. 调用 YOLOv9 模型进行目标检测
4. 返回 JSON 格式的检测结果（类别、置信度、坐标等）

我们将使用Flask作为 Web 框架，因为它轻量、易上手，非常适合快速搭建原型服务。

2.1 安装必要组件

虽然镜像里已经有大部分依赖，但我们还需要安装 Flask：

pip install flask flask-cors requests

• flask：核心 Web 框架
• flask-cors：解决跨域问题，方便前端调用
• requests：用于支持从 URL 加载图片

3. 编写核心检测逻辑

为了复用官方代码，我们不重新实现检测逻辑，而是封装detect_dual.py的功能为可调用函数。

3.1 提取检测函数

创建一个新的文件api_detector.py，放在/root/yolov9目录下：

import os import sys from pathlib import Path # 添加 YOLOv9 路径到系统路径 FILE = Path(__file__).resolve() ROOT = FILE.parents[0] # YOLOv9 root directory if str(ROOT) not in sys.path: sys.path.append(str(ROOT)) import torch import cv2 import numpy as np from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.datasets import LoadImages from utils.torch_utils import select_device import json class YOLOv9Detector: def __init__(self, weights='yolov9-s.pt', device='0', img_size=640): self.weights = weights self.device = select_device(device) self.img_size = img_size self.model = None self.names = None self.load_model() def load_model(self): """加载模型权重""" self.model = attempt_load(self.weights, map_location=self.device) self.model.eval() self.names = self.model.module.names if hasattr(self.model, 'module') else self.model.names def detect(self, source_path): """执行检测，返回JSON格式结果""" dataset = LoadImages(source_path, img_size=self.img_size) results = [] for path, img, im0s, vid_cap in dataset: img = torch.from_numpy(img).to(self.device) img = img.float() # uint8 to fp32 img /= 255.0 # 归一化 if img.ndimension() == 3: img = img.unsqueeze(0) # 推理 with torch.no_grad(): pred = self.model(img)[0] pred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45) # 解析结果 det = pred[0] if len(det): im0 = im0s.copy() h, w = im0.shape[:2] det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round() for *xyxy, conf, cls in reversed(det): label = self.names[int(cls)] confidence = float(conf) box = [int(xyxy[0]), int(xyxy[1]), int(xyxy[2]), int(xyxy[3])] results.append({ "class": label, "confidence": confidence, "bbox": box }) return results

这个类做了几件事：

• 封装了模型加载和推理过程
• 使用官方工具链处理图像输入和后处理
• 输出标准 JSON 结构，便于后续传输

4. 构建REST接口服务

现在我们来创建真正的 API 服务。新建app.py文件：

from flask import Flask, request, jsonify, send_from_directory from flask_cors import CORS import os import uuid import requests from urllib.parse import urlparse from api_detector import YOLOv9Detector app = Flask(__name__) CORS(app) # 允许跨域请求 # 配置上传目录 UPLOAD_FOLDER = '/tmp/images' os.makedirs(UPLOAD_FOLDER, exist_ok=True) # 初始化检测器 detector = YOLOv9Detector(weights='./yolov9-s.pt', device='0') def download_image_from_url(url, save_path): """从URL下载图片""" try: headers = {'User-Agent': 'Mozilla/5.0'} response = requests.get(url, headers=headers, timeout=10) response.raise_for_status() with open(save_path, 'wb') as f: f.write(response.content) return True except Exception as e: print(f"下载失败: {e}") return False @app.route('/detect', methods=['POST']) def detect_objects(): # 清理旧文件（防止/tmp堆积） for f in os.listdir(UPLOAD_FOLDER): file_path = os.path.join(UPLOAD_FOLDER, f) try: if os.path.isfile(file_path): os.unlink(file_path) except Exception as e: print(f"删除临时文件失败: {e}") # 获取图片数据 image_file = request.files.get('image') image_url = request.form.get('url') if not image_file and not image_url: return jsonify({"error": "请提供图片文件或URL"}), 400 # 生成唯一文件名 filename = f"{uuid.uuid4().hex}.jpg" filepath = os.path.join(UPLOAD_FOLDER, filename) # 处理图片来源 if image_file: image_file.save(filepath) elif image_url: if not download_image_from_url(image_url, filepath): return jsonify({"error": "无法从指定URL下载图片"}), 400 # 执行检测 try: results = detector.detect(filepath) return jsonify({ "success": True, "results": results, "count": len(results) }) except Exception as e: return jsonify({"error": f"检测过程中出错: {str(e)}"}), 500 @app.route('/health', methods=['GET']) def health_check(): """健康检查接口""" return jsonify({"status": "running", "model": "yolov9-s"}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False)

4.1 接口说明

路由	方法	功能
/detect	POST	接收图片并返回检测结果
/health	GET	健康检查，用于服务状态监控

请求示例（上传本地图片）：

curl -X POST http://localhost:5000/detect \ -F "image=@./data/images/horses.jpg" \ | python -m json.tool

请求示例（传入图片URL）：

curl -X POST http://localhost:5000/detect \ -F "url=https://example.com/horses.jpg" \ | python -m json.tool

返回示例：

{ "success": true, "results": [ { "class": "horse", "confidence": 0.92, "bbox": [120, 80, 450, 500] }, { "class": "person", "confidence": 0.87, "bbox": [300, 100, 380, 400] } ], "count": 2 }

5. 启动与测试服务

5.1 运行API服务

在终端中执行：

cd /root/yolov9 python app.py

你会看到类似输出：

* Running on http://0.0.0.0:5000/

说明服务已启动，监听所有IP的5000端口。

5.2 测试健康接口

打开浏览器访问：

http://<你的服务器IP>:5000/health

应返回：

{"status":"running","model":"yolov9-s"}

5.3 发送检测请求

使用 curl 或 Postman 发送 POST 请求测试实际检测能力。

6. 实际应用建议

6.1 性能优化建议

• 批量处理：若需高并发，可考虑使用 Gunicorn + Nginx 部署
• GPU复用：保持模型常驻内存，避免重复加载
• 缓存机制：对相同图片哈希值的结果做短期缓存

6.2 安全性提醒

• 生产环境中不要暴露 Flask 默认服务器
• 建议加身份验证（如 API Key）
• 限制上传文件类型和大小
• 设置请求频率限制

6.3 扩展方向

• 支持更多模型版本（如yolov9-m.pt,yolov9-c.pt）
• 添加图片绘制功能，直接返回带框图
• 集成数据库记录调用日志
• 提供 Swagger 文档界面

7. 总结

7.1 回顾所学内容

本文带你完成了 YOLOv9 模型的完整 API 封装流程：

1. 利用官方镜像快速搭建运行环境
2. 抽象检测逻辑为可调用类
3. 使用 Flask 构建 REST 接口
4. 支持文件上传和 URL 两种输入方式
5. 返回结构化 JSON 数据

你现在拥有了一个即插即用的目标检测服务，任何前端页面、移动 App 或其他后端系统都可以通过简单的 HTTP 请求调用它。

7.2 下一步建议

• 尝试将其打包为 Docker 镜像，便于迁移部署
• 结合前端页面做一个可视化检测平台
• 接入真实业务场景，比如商品识别、安防监控等

只要模型能跑通，封装成接口其实并不难。关键在于理解“如何把命令行工具变成服务”，这是每一个 AI 工程师都应该掌握的基本技能。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。