本文为PaddleClas全流程文档第二篇，介绍基于PaddleHub Serving部署其服务功能。涵盖准备环境、下载推理模型、安装服务模块、启动服务（命令行和配置文件两种方式）、发送预测请求及自定义修改服务模块等步骤，还说明了相关参数和结果格式。
☞☞☞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☜☜☜
再PaddleClas第一篇的基础上，来实现PaddleClas的服务功能
PaddleClas全流程文档 第二篇，主要展示如何部署PaddleClas的Hub Serving服务，服务化部署。上一篇（配置使用PaddleClas），下一篇（部署三DLL调用/EXE）
基于PaddleHub Serving的服务部署
hubserving服务部署配置服务包clas下包含3个必选文件，目录如下：
deploy/hubserving/clas/ └─ __init__.py 空文件，必选 └─ config.json 配置文件，可选，使用配置启动服务时作为参数传入 └─ module.py 主模块，必选，包含服务的完整逻辑 └─ params.py 参数文件，必选，包含模型路径、前后处理参数等参数
快速启动服务
打开anaconda，激活paddle环境（已在环境搭建中建立）
1. 准备环境
# 安装paddlehub2.0版本 pip3 install paddlehub==2.0.0b1 --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple
2. 下载推理模型
安装服务模块前，需要准备推理模型并放到正确路径，默认模型路径为：
分类推理模型结构文件：./inference/cls_infer.pdmodel 分类推理模型权重文件：./inference/cls_infer.pdiparams
模型路径可在deploy/hubserving/clas/params.py中查看和修改。
- 可以使用基于ImageNet-1k数据集的预训练模型，模型列表及下载地址详见模型库概览
- 也可以替换成自己训练转换好的模型。
- 这里我替换成了之前训练的模型
3. 安装服务模块
- 进入PaddleClas目录 安装示例如下：
# 进入目录cd /d E:\PaddleClas-release-2.0# 安装服务模块： hub install deploy\hubserving\clas\
- 如果出现 拒绝访问 错误，可以重新使用管理员身份打开Anaconda，再依次操作即可
4. 启动服务
方式1. 命令行命令启动（仅支持CPU）
启动命令：
$ hub serving start --modules Module1==Version1 \
--port XXXX \
--use_multiprocess \
--workers \参数：
| 参数 | 用途 |
|---|---|
| --modules/-m | [必选] PaddleHub Serving预安装模型，以多个Module==Version键值对的形式列出 当不指定Version时，默认选择最新版本 |
| --port/-p | [可选] 服务端口，默认为8866 |
| --use_multiprocess | [可选] 是否启用并发方式，默认为单进程方式，推荐多核CPU机器使用此方式 Windows操作系统只支持单进程方式 |
| --workers | [可选] 在并发方式下指定的并发任务数，默认为2*cpu_count-1，其中cpu_count为CPU核数 |
如按默认参数启动服务： hub serving start -m clas_system
这样就完成了一个服务化API的部署，使用默认端口号8866。
方式2. 配置文件启动（支持CPU、GPU）
启动命令：
hub serving start -c config.json
其中config.json在目录deploy/hubserving/clas/内，格式如下：
mallcloud商城基于SpringBoot2.x、SpringCloud和SpringCloudAlibaba并采用前后端分离vue的企业级微服务敏捷开发系统架构。并引入组件化的思想实现高内聚低耦合，项目代码简洁注释丰富上手容易，适合学习和企业中使用。真正实现了基于RBAC、jwt和oauth2的无状态统一权限认证的解决方案，面向互联网设计同时适合B端和C端用户，支持CI/CD多环境部署，并提
{ "modules_info": { "clas_system": { "init_args": { "version": "1.0.0", "use_gpu": true, "enable_mkldnn": false
}, "predict_args": {
}
}
}, "port": 8866, "use_multiprocess": false, "workers": 2}- init_args中的可配参数与module.py中的_initialize函数接口一致。其中，
- 当use_gpu为true时，表示使用GPU启动服务。
- 当enable_mkldnn为true时，表示使用MKL-DNN加速。
- predict_args中的可配参数与module.py中的predict函数接口一致。
注意:
- 使用配置文件启动服务时，其他参数会被忽略。
- 如果使用GPU预测(即，use_gpu置为true)，则需要在启动服务之前，设置CUDA_VISIBLE_DEVICES环境变量，如：set CUDA_VISIBLE_DEVICES=0，否则不用设置。
- use_gpu不可与use_multiprocess同时为true。
- use_gpu与enable_mkldnn同时为true时，将忽略enable_mkldnn，而使用GPU。
如，使用GPU 0号卡启动串联服务(Windows 下不支持多卡一般使用0号卡，如果有问题可以尝试禁用其他显卡只保留一张使用)：
set CUDA_VISIBLE_DEVICES=0 hub serving start -c deploy/hubserving/clas/config.json
- 启动服务后窗口最好不要关闭，因为不用的时候可以再窗口随时取消，放在后台容易忘记，浪费gpu资源
发送预测请求
配置好服务端，可使用以下命令发送预测请求，获取预测结果:
python tools/test_hubserving.py server_url image_path
需要给脚本传递2个参数：
- server_url：服务地址，格式为
http://[ip_address]:[port]/predict/[module_name] - image_path：测试图像路径，可以是单张图片路径，也可以是图像集合目录路径
- top_k：[可选] 返回前 top_k 个 score ，默认为 1。
访问示例：
python tools/test_hubserving.py http://127.0.0.1:8866/predict/clas_system ./dataset/cat_12/cat_12_train/0aSixIFj9X73z41LMDUQ6ZykwnBA5YJW.jpg
- 打开新命令窗口，输入以上指令：
返回结果格式说明
返回结果为列表（list），包含top-k个分类结果，以及对应的得分，还有此图片预测耗时，具体如下：
list: 返回结果└─ list: 第一张图片结果 └─ list: 前k个分类结果，依score递减排序 └─ list: 前k个分类结果对应的score，依score递减排序 └─ float: 该图分类耗时，单位秒
说明： 如果需要增加、删除、修改返回字段，可在相应模块的module.py文件中进行修改，完整流程参考下一节自定义修改服务模块。
自定义修改服务模块
如果需要修改服务逻辑，你一般需要操作以下步骤：
1、 停止服务
hub serving stop --port/-p XXXX-
2、 到相应的module.py和params.py等文件中根据实际需求修改代码。
例如，例如需要替换部署服务所用模型，则需要到params.py中修改模型路径参数cfg.model_file和cfg.params_file。修改并安装（hub install deploy/hubserving/clas/）完成后，在进行部署前，可通过python deploy/hubserving/clas/test.py测试已安装服务模块。
3、 卸载旧服务包
hub uninstall clas_system4、 安装修改后的新服务包
hub install deploy/hubserving/clas/5、重新启动服务
hub serving start -m clas_system
