趣味体验馆踩坑指南_陕西然坤悦科技有限公司

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 行业资讯

趣味体验馆踩坑指南

2025-07-23

浏览次数：次

返回列表

AIStudio上线趣味体验馆功能，可在线体验AI模型。使用需先部署模型：选静态图推理模型，设输入输出（图像为Base64编码），编输入输出转换器代码（用PIL处理图像），测试沙盒后正式部署，再创建体验馆，配置名称、介绍及输入输出信息即可体验，项目可公开分享。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

趣味体验馆踩坑指南 -

引入

最近 AIStudio 又悄咪咪地上线了一个新功能——趣味体验馆
顾名思义，就是一个可以在线体验趣味 AI 模型的功能
既然有了新功能，那肯定要抢先尝试一波的啦
所以本次项目介绍一下如何将模型部署到 AIStudio 上，并创建趣味体验项目

趣味体验馆

首先，也是最重要的一点，这个新功能在哪？？
只需要点开 AIStudio 项目页面，就可以看到这个功能卡片了（前提是已经进行了模型部署和服务创建）：

趣味体验馆踩坑指南 -

在这个功能卡片中，包含如下几个部分：

趣味体验馆踩坑指南 -

根据提示输入所需要的数据，点击“提交”，即可在线体验，比如这样：

趣味体验馆踩坑指南 -

是不是很简单，那不赶紧去尝试体验一下

部署和创建

趣味体验馆功能依托 AIStudio 的模型部署功能
首先需要将模型通过模型部署功能进行部署之后，才可以创建趣味体验馆
具体的流程如下图：

趣味体验馆踩坑指南 -

模型部署流程

首先选择模型部署选项卡

趣味体验馆踩坑指南 -

点击立即创建：

趣味体验馆踩坑指南 -

选择模型

接下来根据提示选择要部署的静态图推理模型：
- 静态图推理模型一般有如下几种格式：
  
  模型计算图模型参数
  
  __model__ *
  
  model params
  
  __model__ __params__
  
  *.pdmodel *.pdiparams
- 一般通过静态图 API（paddle.static.s*e_inference_model）、模型动转静或模型转换（X2Paddle）这三种方式获取
  美图云修
  商业级AI影像处理工具
  50 查看详情
- 选择样例如下：

模型计算图	模型参数
__model__	*
model	params
__model__	__params__
*.pdmodel	*.pdiparams

趣味体验馆踩坑指南 -

选择完成后选择下一步

设置模型输入输出

根据模型需要和页面提示设置模型的输入输出
因为演示的模型是一个图像风格转换的模型，所以输入输出都是图像
具体的设置如下图所示：

趣味体验馆踩坑指南 -

重要提示1：其中的参数类型是可以继续往下拉的，如下图：

趣味体验馆踩坑指南 -

重要提示2：参数类型中的图像类型会将上传的图像自动转换成 Base64 编码作为模型的输入，而非直接传递图像数组，其实还是一个套壳的 Base64 类型而已
重要提示3：其中视频、语音类型还未尝试过，不知道具体的处理是怎么样的
设置完毕选择下一步

制作输入输出转换器

顾名思义，就是编写模型输入预处理和输出后处理的操作代码
这是模型部署中最关键的一步，目前坑稍微比较多
- 目前环境中没有 opencv-python （cv2）模块，只能使用 PIL 模块进行图像处理
- 默认图像的 Base64 编码是 RGB 格式的
- 暂时没找到内置的 Base64 与 PIL Image 转换的 API 接口，只能自己写一个
- Base64 编码无论输入输出都是包含文件头的，如："data:image/jpeg;base64,"
- 为了兼容旧版本模型，该功能目前用的是 paddle 内部的 API 进行推理操作，而非 PaddleInference，无法通过删除输入输出结点实现动态 Shape 推理
- 也就是说必须在保存推理模型时将模型输入设置为动态的 Shape 才可以，如果导出时是固定的，那么推理时也只能使用固定的输入 Shape
- 而且目前需要使用 fluid.DataFeeder 这个旧版本的 API 进行 Feeder 的构建，所以必须提前通过读取模型文件的方式来查找输入的 Tensor 的名称
输入参数代码如下：

import reimport base64import numpy as npimport paddle.fluid as fluidfrom PIL import Imagefrom io import BytesIO# 将 Base64 转成 PIL Image def base64_to_pil(image_base64):
    """read image from memory"""
    image_base64 = re.sub('^data:image/.+;base64,', '', image_base64)  # 需要去除头部格式信息
    image_mem = BytesIO(base64.b64decode(image_base64))  # python3
    image_pil = Image.open(image_mem).convert('RGB')    return image_pil# 预处理代码def preprocess(img):
    # 图像缩放
    max_size, min_size = 720, 32
    w, h = img.size    if max(h,w)>max_size:
        img = img.resize((max_size, int(h/w*max_size))) if h<w else img.resize((int(w/h*max_size), max_size))    elif min(h,w)<min_size:
        img = img.resize((min_size, int(h/w*min_size))) if h>w else img.resize((int(w/h*min_size), min_size))    # 裁剪图片
    w, h = img.size
    img = np.array(img)
    img = img[:h-(h%32), :w-(w%32), :]    # 归一化
    img = img/127.5 - 1.0
    
    return imgdef reader_infer(data_args):
    """
    reader inter
    :param data_args: 接口请求参数
    :return [[]], feeder
    """

    def reader():
        """
        reader
        :return:
        """
        # image <type 'image'> default value:None 
        image = data_args['image']        
        # 格式转换
        image = base64_to_pil(image)        
        # 预处理
        image = preprocess(image)        
        # 根据输入 Tensor 的名称和 Shape 构建 DataFeeder
        h, w, c = image.shape
        img = fluid.layers.data(name='x2paddle_generator_input', shape=[h, w, c], dtype='float32')
        feeder = fluid.DataFeeder([img], fluid.CPUPlace())        return [[image]], feeder    return reader

输出参数代码如下：

import reimport base64import numpy as npfrom PIL import Imagefrom io import BytesIO 


# PIL Image 转换为 Base64def pil_to_base64(image_pil):
    """s*e PIL image in memory, and convert to base64"""
    image_buffer = BytesIO()    # image_buffer = StringIO()  # python2
    image_pil.s*e(image_buffer, format='JPEG')
    image_bytes = image_buffer.getvalue()
    image_base64 = base64.b64encode(image_bytes).decode()    return image_base64# 后处理def postprocess(output):
    # 反归一化
    image = (output.squeeze() + 1.) / 2 * 255

    # 限幅
    image = np.clip(image, 0, 255).astype(np.uint8)    
    # 格式转换
    image = Image.fromarray(image)    
    return imagedef output(results, data_args):
    """
    模型评测结果输出转换
    :param results
    :param data_args 请求参数
    :return dict
    """
    # todo
    # 后处理
    image = postprocess(results[0])    
    # Base64 编码
    code = pil_to_base64(image)    
    # 加上文件头进行结果返回
    return {'image': 'data:image/jpeg;base64,'+code}