机器学习开发者想要打造一款 App 有多难？事实上，你只需要会 Python 代码就可以了，剩下的工作都可以交给一个工具。一些介绍可参考：

文章

公众号：机器之心从Python代码到APP，你只需要一个小工具：GitHub已超3000星

streamlit可以自行构建工具的流程：

部署 Flask app，写 HTML、CSS 和 JavaScript，尝试对从 notebook 到样式表的所有一些进行版本控制。

写此类工具感觉就像训练神经网络或者在 Jupyter 中执行点对点分析（ad-hoc analysis）！同时，我们还想保留强大 app 框架的灵活性。我们想创造出令工程师骄傲的好工具。

我们希望的 app 构建流程如下：

简而言之，Streamlit 的工作流程如下：

• 每次用户交互均需要从头运行全部脚本。

• Streamlit 根据 widget 状态为每个变量分配最新值。

• 缓存保证 Streamlit 重用数据和计算。

同时streamlit 可以支持中文，很友好：

而且只要保存文件，不用重启api就可以直接反应上来，非常方便，同时如果运行有报错，就会如下面这般显示：

总的来说，可以把steamlit当作一种IDE，交互非常及时。

再来看笔者的一个图像识别的目标检测案例

本案例脱胎于Udacity自动驾驶汽车图像识别，

代码链接:implemented in less than 300 lines of Python

原案例中无法自己上传本地图片进行检测,事先提供好了图片url连接（标记了所有图像Ground Truth的原标签数据集），直接download使用，所以不太满足要求 。

笔者这边对该案例进行了一定的魔改，让其可以支持本地图片的使用。

这样才能制作自己的检测器，先贴一下笔者最终微调的结果：

依赖安装使用之前需要加载:

pip install --upgrade streamlit opencv-python

或者直接用线上的文件也是可以的:

streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/streamlit_app.py

页面使用

使用步骤：

• 第一步：选择本地的一张图片(png/jpg)…

• 第二步:调整目标检测参数

• 第三步：点击检测的按钮

其中，切换页面模式，继承了源码的三种：目标检测 + 显示介绍 + 展示原始code

最终的效果如图，展示原图 + 目标检测之后的图：

练习题代码可见github

https://github.com/mattzheng/streamlit_demo/tree/main/demo2-opencv+yolov3