Efficient Net Implementation

图像分类系统

一个强大的图像分类系统，使用在ImageNet上训练的EfficientNet-B7，支持MCP服务器和现代web界面。

特性

• 高精度：使用在ImageNet上预先训练的EfficientNet-B7
• 类别分类：将图像分类为电子产品、食品、服装、工具、汽车零部件、运动器材
• 应用程序接口：以JSON格式返回预测
• 现代用户界面：漂亮的拖放界面
• MCP服务器：用于集成的模型上下文协议服务器

项目结构

.
├── app.py                  # Flask API server
├── index.html             # Front-end interface
├── requirements.txt       # Python dependencies
├── mcp_server/           # MCP server implementation
│   ├── index.js          # MCP server code
│   └── package.json      # Node.js dependencies
└── uploads/              # Uploaded images directory

安装

1.安装Python依赖项

pip install -r requirements.txt

这将安装：

• Flask（网络服务器）
• Flask CORS（跨源支持）
• PyTorch（深度学习框架）
• TorchVision（预训练模型）
• 枕头（图像处理）

2.安装Node.js依赖项（适用于MCP服务器）

cd mcp_server
npm install
cd ..

用法

运行API服务器

python app.py

服务器将在以下时间启动 http://localhost:5000

打开Web界面

只需打开 index.html 在浏览器中，或运行：

python -m http.server 8000

然后导航到 http://localhost:8000

使用MCP服务器

MCP服务器可以与支持模型上下文协议的应用程序集成：

cd mcp_server
npm start

API终点

POST/分类

对上传的图像进行分类。

请求：

• 方法：POST
• 内容类型：多部分/表单数据或应用程序/json
• 主体：

- image：图像文件（多部分） - image_base64：Base64编码图像（JSON） - image_path：图像文件的路径（JSON） - top_k：要返回的预测数（默认值：5）

答复：

{
  "success": true,
  "predicted_class": "laptop",
  "category": "electronics",
  "confidence": 95.67,
  "top_predictions": [
    {
      "rank": 1,
      "class": "laptop",
      "category": "electronics",
      "confidence": 95.67
    }
  ],
  "model": "EfficientNet-B3",
  "device": "cuda"
}

GET/健康

检查服务器运行状况。

答复：

{
  "status": "healthy",
  "model": "EfficientNet-B3",
  "device": "cuda"
}

支持的类别

• 📱 电子学：手机、电脑、相机、显示器等。
• 🍕 食物：披萨、汉堡、水果、蔬菜等。
• 👕 衣服：衬衫、鞋子、帽子、夹克等。
• 🔧 工具：锤子、钻头、扳手、锯子等。
• 🚗 汽车零件：车轮、发动机、汽车零件等。
• ⚽ 运动器材：球、球拍、滑雪板等。

模型信息

• 模型EfficientNet-B3
• 培训数据集：ImageNet（1000个类）
• 准确度：ImageNet验证集的高精度
• 速度：CPU和GPU上的快速推理

需求

• Python 3.8+
• Node.js 14+（用于MCP服务器）
• 最低4GB RAM
• GPU推荐用于更快的推理

许可证

MIT许可证