Esercitazione: Distribuire un modello di classificazione delle immagini con training preliminare in Funzioni di Azure con PyTorch

Questo articolo illustra come usare Python, PyTorch e Funzioni di Azure per caricare un modello con training preliminare per la classificazione di un'immagine in base al contenuto. Poiché tutte le operazioni vengono eseguite in locale e non vengono create risorse di Azure nel cloud, non è previsto alcun costo per completare questa esercitazione.

Prerequisiti

• Un account Azure con una sottoscrizione attiva. Creare un account gratuitamente.
• Python 3.7.4 o versione successiva. Con Funzioni di Azure sono stati verificati anche Python 3.8.x e Python 3.6.x.
• Azure Functions Core Tools
• Un editor di codice, ad esempio Visual Studio Code

Controllo dei prerequisiti

1. In un terminale o una finestra di comando eseguire func --version per verificare che la versione di Azure Functions Core Tools sia 2.7.1846 o successiva.
2. Eseguire python --version (Linux/macOS) o py --version (Windows) per verificare la versione di Python 3.7.x.

Clonare il repository dell'esercitazione

1. In una finestra di comando o di terminale clonare il repository seguente con Git:

   git clone https://github.com/Azure-Samples/functions-python-pytorch-tutorial.git
   

2. Passare alla cartella ed esaminarne il contenuto.

   cd functions-python-pytorch-tutorial
   

   • start è la cartella di lavoro per l'esercitazione.
   • end è il risultato finale e l'implementazione completa per riferimento.
   • resources contiene il modello di Machine Learning e le librerie helper.
   • frontend è un sito Web che chiama l'app per le funzioni.

Creare e attivare un ambiente virtuale Python

Passare alla cartella start ed eseguire i comandi seguenti per creare e attivare un ambiente virtuale denominato .venv.

cd start
python -m venv .venv
source .venv/bin/activate

sudo apt-get install python3-venv

cd start
py -m venv .venv
.venv\scripts\activate

cd start
py -m venv .venv
.venv\scripts\activate

È possibile eseguire tutti i comandi successivi in questo ambiente virtuale attivato. Per uscire dall'ambiente virtuale, eseguire deactivate.

Creare un progetto per le funzioni locale

In Funzioni di Azure un progetto di funzione è un contenitore per una o più funzioni singole che rispondono ognuna a un trigger specifico. Tutte le funzioni di un progetto condividono le stesse configurazioni locali e di hosting. In questa sezione viene creato un progetto di funzione che contiene una singola funzione boilerplate denominata classify che fornisce un endpoint HTTP. Il codice più specifico verrà aggiunto in una sezione successiva.

1. Nella cartella start usare Azure Functions Core Tools per inizializzare un'app per le funzioni Python:

   func init --worker-runtime python
   

   Dopo l'inizializzazione la cartella start contiene vari file per il progetto, inclusi i file di configurazione denominati local.settings.json e host.json. Poiché local.settings.json può contenere segreti scaricati da Azure, per impostazione predefinita il file viene escluso dal controllo del codice sorgente nel file con estensione gitignore.

   Suggerimento

   Poiché un progetto di funzione è associato a un runtime specifico, tutte le funzioni del progetto devono essere scritte con lo stesso linguaggio.

2. Aggiungere una funzione al progetto usando il comando seguente, in cui l'argomento --name è il nome univoco della funzione e l'argomento --template specifica il trigger della funzione. func new crea una sottocartella corrispondente al nome della funzione che contiene un file di codice appropriato per il linguaggio scelto del progetto e un file di configurazione denominato function.json.

   func new --name classify --template "HTTP trigger"
   

   Questo comando crea una cartella che corrisponde al nome della funzione, ovvero classify. In tale cartella sono presenti due file: __init__.py, che contiene il codice della funzione e function.json, che descrive il trigger della funzione e le relative associazioni di input e output. Per informazioni dettagliate sul contenuto di questi file, vedere Modello di programmazione nella guida per sviluppatori Python.

Eseguire la funzione in locale

1. Avviare la funzione avviando l'host di runtime locale di Funzioni di Azure nella cartella start:

   func start
   

2. Quando nell'output viene visualizzato l'endpoint classify, passare all'URL http://localhost:7071/api/classify?name=Azure. Nell'output verrà visualizzato il messaggio "Hello Azure!".

3. Premere CTRL-C per arrestare l'host.

Importare il modello PyTorch e aggiungere il codice helper

Per modificare la funzione classify per classificare un'immagine in base al contenuto, si usa un modello ResNet con training preliminare. Tale modello, proveniente da PyTorch, classifica un'immagine come una delle 1000 classi ImageNet. Aggiungere quindi il codice helper e le dipendenze al progetto.

1. Nella cartella start eseguire questo comando per copiare il codice di previsione e le etichette nella cartella classify.

   • bash
   • PowerShell
   • Cmd

   cp ../resources/predict.py classify
   cp ../resources/labels.txt classify
   

2. Verificare che la cartella classify contenga i file denominati predict.py e labels.txt. In caso contrario, verificare che il comando sia stato eseguito nella cartella start.

3. Aprire start/requirements.txt in un editor di testo e aggiungere le dipendenze richieste dal codice helper, che dovrebbe essere simile al seguente:

   azure-functions
   requests
   -f https://download.pytorch.org/whl/torch_stable.html
   torch==1.13.0+cpu
   torchvision==0.14.0+cpu
   

   Suggerimento

   Le versioni di torch e torchvision devono corrispondere ai valori elencati nella tabella delle versioni del repository di visione PyTorch.

4. Salvare requirements.txt e quindi eseguire questo comando dalla cartella start per installare le dipendenze.

   pip install --no-cache-dir -r requirements.txt
   

L'installazione può richiedere alcuni minuti, durante i quali è possibile procedere con la modifica della funzione nella sezione successiva.

Aggiornare la funzione per generare previsioni

1. Aprire classify/__init__.py in un editor di testo e aggiungere le righe seguenti dopo le istruzioni esistenti import per importare la libreria JSON standard e gli helper predict :

   import logging
   import azure.functions as func
   import json
   
   # Import helper script
   from .predict import predict_image_from_url
   

2. Sostituire l'intero contenuto della funzione main con il codice seguente:

   def main(req: func.HttpRequest) -> func.HttpResponse:
       image_url = req.params.get('img')
       logging.info('Image URL received: ' + image_url)
   
       results = predict_image_from_url(image_url)
   
       headers = {
           "Content-type": "application/json",
           "Access-Control-Allow-Origin": "*"
       }
   
       return func.HttpResponse(json.dumps(results), headers = headers)
   

   Questa funzione riceve un URL di immagine in un parametro della stringa di query denominato img. Chiama quindi predict_image_from_url dalla libreria helper per scaricare e classificare l'immagine usando il modello PyTorch. La funzione restituisce quindi una risposta HTTP con i risultati.

   Importante

   Dal momento che l'endpoint HTTP viene chiamato da una pagina Web ospitata in un altro dominio, la risposta include un'intestazione Access-Control-Allow-Origin per soddisfare i requisiti di condivisione di risorse tra le origini (CORS) del browser.

   In un'applicazione di produzione, per maggiore sicurezza sostituire * con l'origine specifica della pagina Web.

3. Salvare le modifiche e quindi, supponendo che le dipendenze abbiano terminato l'installazione, avviare di nuovo l'host della funzione locale con func start. Assicurarsi di eseguire l'host nella cartella start con l'ambiente virtuale attivato. In caso contrario, l'host verrà avviato, ma verranno visualizzati errori durante la chiamata della funzione.

   func start
   

4. In un browser aprire l'URL seguente per richiamare la funzione con l'URL dell'immagine di un cane di razza Bovaro del bernese e verificare che l'oggetto JSON restituito classifichi l'immagine come cane di tale razza.

   http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg
   

5. Lasciare l'host in esecuzione perché verrà usato nel passaggio successivo.

Eseguire il front-end dell'app Web locale per testare la funzione

Per eseguire il test richiamando l'endpoint della funzione da un'altra app Web, usare l'app semplice presente nella cartella frontend del repository.

1. Aprire un terminale o prompt dei comandi e attivare l'ambiente virtuale, come descritto in precedenza in Creare e attivare un ambiente virtuale Python.

2. Passare alla cartella frontend del repository.

3. Avviare un server HTTP con Python:

   • bash
   • PowerShell
   • Cmd

   python -m http.server
   

4. In un browser passare a localhost:8000 e quindi immettere uno degli URL di foto seguenti nella casella di testo oppure usare l'URL di qualsiasi immagine accessibile pubblicamente.

   • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg
   • https://github.com/Azure-Samples/functions-python-pytorch-tutorial/blob/master/resources/assets/bald-eagle.jpg?raw=true
   • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/penguin.jpg

5. Selezionare Invia per richiamare l'endpoint della funzione per classificare l'immagine.

   

   Se il browser restituisce un errore quando si invia l'URL dell'immagine, controllare il terminale in cui si sta eseguendo l'app per le funzioni. Se viene visualizzato un errore simile a "Non sono stati trovati moduli 'PIL'", è possibile che l'app per le funzioni nella cartella start sia stata avviata senza aver prima attivato l'ambiente virtuale creato in precedenza. Se vengono ancora visualizzati errori, eseguire di nuovo pip install -r requirements.txt con l'ambiente virtuale attivato e cercare gli errori.

Pulire le risorse

Dal momento che l'intera esercitazione viene eseguita in locale sul computer in uso, non sono presenti risorse o servizi di Azure di cui eseguire la pulizia.

Passaggi successivi

In questa esercitazione è stato illustrato come creare e personalizzare un endpoint API HTTP con Funzioni di Azure per classificare le immagini usando un modello PyTorch. È stato anche illustrato come chiamare l'API da un'app Web. È possibile usare le tecniche illustrate in questa esercitazione per creare API di qualsiasi complessità, eseguendo sempre il modello di calcolo serverless offerto da Funzioni di Azure.

Vedere anche:

• Distribuire la funzione in Azure con Visual Studio Code.
• Guida per sviluppatori Python per Funzioni di Azure