本文首发于：行者AI
在工作当中，算法工程师经常需要快速编写一些演示demo，例如快速演示一些算法，或者需要编写数据标注的工具等。常见的实现方式是算法工程师试用flask等框架编写api，再由前端工程师编写相关的网页调用api。这样毫无疑问是非常耗时，效率低下的。
然而，使用streamlit框架就可以快速搭建demo页面，算法工程师只使用python语言就可以编写比较精美的demo页面。streamlit框架内部负责处理网页的渲染工作，算法工程师将重点放在算法的流程方面就好。
框架安装
streamlit框架的安装非常简单，使用pip就可以安装：
pip install streamlit
安装完成之后，可以使用命令进行版本验证：
streamlit --version
在这篇文章当中，我会用一个实际工作中的例子简单介绍streamlit框架的使用流程。
项目准备
Collaborative-Distillation是一个支持高分辨率的图像风格化方案，该模型的输入是风格图片以及待处理的图片，输出是风格化之后的图片。
在这个代码仓库当中，我们需要使用比较复杂的命令行命令来进行风格化操作：
# use original VGG-19, normal images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode original
# use original VGG-19, ultra-res images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode original --UHD
# use our pruned VGG-19, normal images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x
# use our pruned VGG-19, ultra-res images
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x --UHD
# If your RAM cannot afford some large images, you can change the content and style size via '--content_size' and '--style_size'
CUDA_VISIBLE_DEVICES=0 python WCT.py --debug --mode 16x --UHD --content_size 3000 --style_size 2000
但是这样的操作对于用户来说相当复杂，所以我们可以使用streamlit编写一个demo页面，方便用户使用。
在这个demo页面当中，会用到streamlit的以下几种组件：
-
streamlit.file_uploader：文件上传组件，具体见下图
该组件支持拖拽上传文件和文件管理器选择文件，相对来说比较方便，使用方法如下列代码所示：
style_file = st.file_uploader("请上传风格化图片") if style_file: stringio = style_file.getvalue() style_file_path = 'style_file/'+ style_file.name with open(style_file_path,'wb') as f: f.write(stringio)使用文件上传组件上传文件之后，可以使用上面的代码将文件保存到特定路径等待使用。
-
streamlit.image：图片显示组件，具体见下图：
该组件可以在demo页面中根据图片路径显示图片。
style_file_path = 'style_file/'+ style_file.name st.image(style_file_path) -
streamlit.write：文字显示组件，该组件可以在网页上显示一些提示信息。
st.write('高分辨率风格化demo') -
streamlit.button：按钮组件，点击之后可以进行一些任务。
if st.button('开始进行风格化处理'): style_func() -
streamlit.progress：进度显示组件，可以用来显示任务的进度。
for i in range(0,100,10): st.progress(i + 1)
streamlit中还有一些重要的组件，例如：
-
streamlit.cache：数据缓存组件，该组件可以作为装饰器使用，用处是缓存数据，加快数据载入速度。可以用在需要反复加载数据或者进行计算的函数当中。
@st.cache def load_dataset(data_link): dataset = pd.read_csv(data_link) return dataset -
streamlit.audio：音频展示组件，可以根据音频地址播放音频。
with open('audio.mp3','rb') as f:
st.audio(f,format="audio/mp3")
-
streamlit.audio：选择组件，该组件可以让用户从多个选项中选择一项。
model_choose = st.radio('请选择分离模型：',['人声+伴奏','人声+钢琴+吉他+鼓+其他'],0)
其中参数0表示默认选择第一项。
streamlit支持的组件还是很多的，如果感兴趣，请参考官方文档。
项目编写
这个demo页面的主要功能是让用户分别上传style图片和content图片，然后后台进行风格化操作，风格化操作完成之后显示结果图片。这样用户就可以快速的进行风格化操作并知道结果。
streamlit应用是用python语言编写的。在python文件开头，需要导入streamlit包。
import streamlit as st
接着进行文件的上传与预处理：
style_file = st.file_uploader("请上传风格化图片")
content_file = st.file_uploader("请上传待处理图片")
image_slot = st.empty()
if style_file:
stringio = style_file.getvalue()
style_file_path = 'style_file/'+ style_file.name
with open(style_file_path,'wb') as f:
f.write(stringio)
image_slot.image(style_file_path)
if content_file:
stringio = content_file.getvalue()
content_file_path = 'content_file/'+ content_file.name
with open(content_file_path,'wb') as f:
f.write(stringio)
if content_file and style_file:
img1 = Image.open( style_file_path)
img1 = img1.resize((640, 640))
img2 = Image.open( content_file_path)
img2 = img2.resize((640, 640))
new_img = Image.new('RGB', (1280, 640), 255)
new_img.paste(img1,(0,0))
new_img.paste(img2,(640,0))
new_img.save('concrate_file/' + os.path.basename(style_file_path))
image_slot.image('concrate_file/' + os.path.basename(style_file_path))
最后写一个按钮，执行风格化操作，并显示最终结果，同时添加一个进度条：
if st.button('开始进行风格化处理'):
my_bar = st.progress(10)
UHD_content_folder_path = 'PytorchWCT/content/UHD_content'
output_path = WCT_func.process(content_file_path,style_file_path)
for i in range(0,100,10):
my_bar.progress(i + 1)
my_bar.progress(100)
st.write('风格化之后的图片')
st.image(output_path)
项目的运行和部署
streamlit框架的运行方式非常简单，直接在命令行执行：
$ streamlit run streamlit_demo.py
就可以在浏览器中进行访问了。
总结
streamlit框架非常适合快速编写流程不太复杂且需要可视化操作的demo，作者从开始编写到编写完成这个demo用时不到半个小时，编写代码不到50行，而且运行部署起来非常方便，页面看起来要比使用flask之类的框架渲染出的网页美观许多，实乃算法工程师的利器。
PS：更多技术干货，快关注【公众号 | xingzhe_ai】，与行者一起讨论吧！