YOLOv8车牌识别模型部署实战：从训练好的.pt文件到Flask Web应用（含前端界面）

当你的YOLOv8模型在测试集上表现优异时，真正的挑战才刚刚开始——如何让这个"实验室宠儿"变成人人可用的服务？我曾见过太多团队卡在模型部署这一环，最终让精心训练的模型束之高阁。本文将带你完整走通从.pt文件到生产级Web应用的最后一公里，重点解决三个核心痛点：如何设计高并发的推理服务、如何实现前后端高效交互、以及如何优化实时视频流处理。

1. 环境准备与模型封装

1.1 基础环境配置

建议使用conda创建隔离环境，避免依赖冲突：

bash复制conda create -n plate-detection python=3.9
conda activate plate-detection
pip install ultralytics flask flask-cors opencv-python gunicorn

对于生产环境，推荐使用Docker固化运行环境。这里给出一个优化后的Dockerfile：

dockerfile复制FROM nvidia/cuda:11.8.0-runtime-ubuntu22.04
RUN apt-get update && apt-get install -y python3.9 python3-pip
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY app.py model_utils.py /app/
WORKDIR /app
EXPOSE 5000
CMD ["gunicorn", "-w 4", "-b :5000", "app:app"]

1.2 模型服务化封装

直接加载.pt文件虽然简单，但在Web服务中会带来内存管理问题。我们需要将模型封装为可重用的服务类：

python复制import cv2
import numpy as np
from ultralytics import YOLO
from threading import Lock

class PlateDetector:
    def __init__(self, model_path):
        self.model = YOLO(model_path)
        self.lock = Lock()
        
    def detect(self, img, conf_threshold=0.5):
        """线程安全的检测方法"""
        with self.lock:
            results = self.model.predict(
                source=img,
                conf=conf_threshold,
                imgsz=640,
                verbose=False
            )
            return results[0].plot() if results else img

关键优化点：

• 使用线程锁保证多请求时的线程安全
• 关闭verbose输出减少日志污染
• 返回带标注的图像而非原始结果，简化接口

2. Flask后端服务搭建

2.1 REST API设计

采用蓝图(Blueprint)组织API路由，保持代码模块化：

python复制from flask import Blueprint, request, jsonify
from werkzeug.utils import secure_filename
import os

api = Blueprint('api', __name__)

@api.route('/detect', methods=['POST'])
def detect_image():
    if 'file' not in request.files:
        return jsonify({"error": "No file uploaded"}), 400
    
    file = request.files['file']
    if file.filename == '':
        return jsonify({"error": "Empty filename"}), 400
    
    conf = float(request.form.get('conf', 0.5))
    img = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR)
    result_img = detector.detect(img, conf)
    
    _, buffer = cv2.imencode('.jpg', result_img)
    return buffer.tobytes(), 200, {'Content-Type': 'image/jpeg'}

2.2 视频流处理优化

实时视频检测需要特殊处理以避免阻塞主线程：

python复制import time
from concurrent.futures import ThreadPoolExecutor

executor = ThreadPoolExecutor(2)

def generate_frames(camera_id=0):
    cap = cv2.VideoCapture(camera_id)
    while True:
        success, frame = cap.read()
        if no