本文主要是介绍java使用Deep Java Library(djl)搭配TorchScript搭建图片分类，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、前置要求
1.1、下载TorchScript类型的模型，注意这里是TorchScript类型，有些模型在说明中会说明是否为该格式的文件。可以从huggingface下载，在huggingface注意未区分PyTorch和TorchScript，在模型下方的标签都标记的为PyTorch，需要看具体的描述是否说该模型为TorchScript。
1.2、pom文件引入依赖，注意和引擎相关的包需要搭配引用，例如ai.djl.pytorch的native和jni包与engine版本要对上。pom.xml引入包如下：
<properties><maven.compiler.source>11</maven.compiler.source><maven.compiler.target>11</maven.compiler.target><djl.version>0.27.0</djl.version></properties><dependencies><!-- https://mvnrepository.com/artifact/ai.djl/api --><dependency><groupId>ai.djl</groupId><artifactId>api</artifactId><version>${djl.version}</version></dependency><!-- https://mvnrepository.com/artifact/ai.djl/model-zoo --><dependency><groupId>ai.djl</groupId><artifactId>model-zoo</artifactId><version>${djl.version}</version></dependency><!-- https://mvnrepository.com/artifact/ai.djl.pytorch/pytorch-engine --><dependency><groupId>ai.djl.pytorch</groupId><artifactId>pytorch-engine</artifactId><version>${djl.version}</version></dependency><dependency><groupId>ai.djl</groupId><artifactId>basicdataset</artifactId><version>${djl.version}</version></dependency><dependency><groupId>ai.djl.pytorch</groupId><artifactId>pytorch-engine</artifactId><version>${djl.version}</version></dependency><dependency><groupId>ai.djl.pytorch</groupId><artifactId>pytorch-jni</artifactId><version>2.1.1-0.27.0</version></dependency><dependency><groupId>ai.djl.pytorch</groupId><artifactId>pytorch-native-cpu</artifactId><classifier>win-x86_64</classifier><version>2.1.1</version></dependency><dependency><groupId>ai.djl</groupId><artifactId>djl-zero</artifactId><version>${djl.version}</version></dependency><dependency><groupId>org.apache.logging.log4j</groupId><artifactId>log4j-slf4j-impl</artifactId><version>2.21.0</version></dependency></dependencies>
二、java代码
将下载好的模型放到对应的位置，其中模型文件包含两个部分，一个是pt结尾的文件，当然结尾不一定是这个，可能是其他的，可以使用压缩文件打开这个模型文件看看是否包含了constants.pkl等文件，这个可以用作确认是否为TorchScript的一个标志。然后还需要一个synset.txt文件。
//这里也可以使用在线的模型
private static final URL MODEL_URL = NSFWUtil.class.getClassLoader().getResource("model/xxx.pt");public static void main(String[] args) throws MalformedModelException, IOException, ModelNotFoundException, TranslateException {getNSFW4JSON("image path");}/*** * @param imagePath 文件地址* @throws ModelNotFoundException * @throws MalformedModelException* @throws IOException* @throws TranslateException* @return nsfw的json*/public static Classifications getNSFW4JSON(String imagePath) throws ModelNotFoundException, MalformedModelException, IOException, TranslateException {Image img = ImageFactory.getInstance().fromFile(Paths.get(imagePath));Translator<Image, Classifications> translator =ImageClassificationTranslator.builder().addTransform(new Resize(224, 224)).addTransform(new ToTensor()).optApplySoftmax(true).build();Criteria<Image, Classifications> criteria = Criteria.builder().setTypes(Image.class, Classifications.class).optModelUrls(MODEL_URL.toString()).optTranslator(translator).optEngine("PyTorch") // Use PyTorch engine.optProgress(new ProgressBar()).build();try (ZooModel<Image, Classifications> model = criteria.loadModel()){Predictor<Image, Classifications> predictor = model.newPredictor();return predictor.predict(img);}}/*** * @param in 输入流* @throws ModelNotFoundException * @throws MalformedModelException* @throws IOException* @throws TranslateException* @return nsfw的json*/public static Classifications getNSFW4JSON(InputStream in) throws ModelNotFoundException, MalformedModelException, IOException, TranslateException {Image img = BufferedImageFactory.getInstance().fromInputStream(in);Translator<Image, Classifications> translator =ImageClassificationTranslator.builder().addTransform(new Resize(224, 224)).addTransform(new ToTensor()).optApplySoftmax(true).build();Criteria<Image, Classifications> criteria = Criteria.builder().setTypes(Image.class, Classifications.class).optModelUrls(MODEL_URL.toString()).optTranslator(translator).optEngine("PyTorch") // Use PyTorch engine.optProgress(new ProgressBar()).build();try (ZooModel<Image, Classifications> model = criteria.loadModel()){Predictor<Image, Classifications> predictor = model.newPredictor();return predictor.predict(img);}}
三、总结
3.1、代码中的ImageClassificationTranslator在其他很多时候是自己在定义具体的方法实现，这里我们是图片分类，所以我们用的是官方提供的Translator。
3.2、就目前来说框架帮我们实现了很多的代码，能写的代码不是很多，难点在于如何找到能用的模型，目前很多模型还是PyTorch类型的，无法在JAVA或者C++环境调用。
3.3、可以试一下的模型nsfw,记住下synset.txt
这篇关于java使用Deep Java Library(djl)搭配TorchScript搭建图片分类的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
