iinfer (Visual Prediction Application)
onnx又はmmlabフォーマットの重みファイルを実行するCLIアプリケーションです。
DockerコンテナのRedisサーバーを使用します。
Windowsの場合はWSL2上のLinuxの中にDockerがインストールされている必要があります。
Linuxの場合はホスト内にDockerがインストールされている必要があります。
サポートしているAIタスクは以下のとおりです。
- Image Classification
- Object Detection
動作確認OS
Windows 10 ProWindows 11 ProUbuntu20_04
インストール方法
pip install iinfer
# タブ保管を有効化したい場合（Ubuntuのみ）
eval "$(register-python-argcomplete iinfer)"
iinferの実行方法
# Redisサーバーコンテナの起動（Windowsの場合）
iinfer -m redis -c docker_run --wsl_name <WSLのディストリビューションの名前> --wsl_user <WSLのLinux内のDockerが使えるユーザー>
# Redisサーバーコンテナの起動（Linuxの場合）
iinfer -m redis -c docker_run
# 推論処理を実行するサーバープロセスの起動
iinfer -m server -c start -f
# 画像AIモデルのデプロイ
iinfer -m client -c deploy -n <任意のモデル名> --model_img_width <モデルのINPUTサイズ(横幅)> --model_img_width <モデルのINPUTサイズ(縦幅)> --model_onnx <モデルファイル> --predict_type <推論タイプ(後述)> --custom_predict_py <カスタム推論ファイル(後述)> -f
# predict_typeはモデルのAIタスクやアルゴリズムに合わせて指定する。指定可能なキーワードは"iinfer -m client -c predict_type_list"コマンド参照。
# デプロイされている画像AIモデルの一覧
iinfer -m client -c deploy_list -f
# 画像AIモデルを起動させて推論可能な状態に(セッションを確保)する
iinfer -m client -c start -n <モデル名> --use_track -f
# use_trackを指定するとObjectDetectionタスクの結果に対して、MOT（Multi Object Tracking）を実行しトラッキングIDを出力する。
# 推論を実行する
iinfer -m client -c predict -n <モデル名> -i <推論させる画像ファイル> -o <推論結果の画像ファイル> --output_preview -f
# output_previewを指定するとimshowで推論結果画像を表示する（GUI必要）
# カメラキャプチャー画像を元に推論を実行する
iinfer -m client -c capture | iinfer -m client -c predict -n <モデル名> --output_preview --stdin --image_type capture -f
# --stdin --image_type capture で標準入力のキャプチャー画像を推論する
# 画像AIモデルを停止させてセッションを開放
iinfer -m client -c start -n <モデル名> -f
# 画像AIモデルのアンデプロイ
iinfer -m client -c undeploy -n <モデル名> -f
# 推論処理を実行するサーバープロセスの停止
iinfer -m server -c stop -f
コマンドラインオプション（共通）
| Option |
Required |
Description |
| -h |
- |
ヘルプ表示 |
| -u,--useopt <オプション保存するファイル> |
-sを指定している場合〇 |
オプションを保存しているファイルを使用する |
| -s,--saveopt |
- |
指定しているオプションを-uで指定したファイルに保存する |
| -f,--format |
- |
処理結果を見やすい形式で出力する。指定しない場合json形式で出力する。 |
コマンドラインオプション（初期設定） : iinfer -m install -c <Command> <Option>
iinferをインストールした直後にはAIフレームワークのインストールがされていない状態です。
通常推論サーバー側にしかAIフレームワークが必要ないため、任意でインストールできるようにしました。
| Command |
Option |
Required |
Description |
| onnx |
- |
- |
onnxruntimeをインストールする |
| mmdet |
- |
- |
mmdetectionをインストールする |
| redis |
- |
- |
redis-serverのdockerイメージをPULLする |
| ^ |
--wsl_name <ディストリビューション名> |
Windowsの場合は〇 |
Windowsの場合はWSLのディストリビューションの名前を指定する |
| ^ |
--wsl_user <user名> |
Windowsの場合は〇 |
Windowsの場合はWSL内のユーザー名を指定する |
| server |
- |
- |
推論サーバーのdockerイメージをbuildする
このコマンドで作成されるdockerイメージには、上記onnxruntimeとmmdetectionが含まれる
buildが成功するとdocker-compose.ymlファイルが生成される
windows環境は未サポートなので、普通にiinfer -m serverを使ってください |
Redisサーバー起動 : iinfer -m redis -c docker_run <Option>
| Option |
Required |
Description |
| --port <ポート番号> |
- |
Redisサーバーのサービスポート(任意)を指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| --wsl_name <ディストリビューション名> |
Windowsの場合は〇 |
Windowsの場合はWSLのディストリビューションの名前を指定する |
| --wsl_user <user名> |
Windowsの場合は〇 |
Windowsの場合はWSL内のユーザー名を指定する |
Redisサーバー停止 : iinfer -m redis -c docker_stop <Option>
| Option |
Required |
Description |
| --wsl_name <ディストリビューション名> |
Windowsの場合は〇 |
Windowsの場合はWSLのディストリビューションの名前を指定する |
| --wsl_user <user名> |
Windowsの場合は〇 |
Windowsの場合はWSL内のユーザー名を指定する |
推論サーバー起動 : iinfer -m server -c start <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
推論サーバー停止 : iinfer -m server -c stop <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| -p,--password <パスワード> |
〇 |
Redisサーバーのアクセスパスワードを指定する |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(AIモデルの配備) : iinfer -m client -c deploy <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| -n,--name <登録名> |
〇 |
AIモデルの登録名(任意)を指定する |
| --model_file <モデルファイル> |
〇 |
学習済みのモデルファイルを指定する |
| --model_conf_file <モデル設定ファイル> |
- |
mmlabの場合はモデル設定ファイルを指定する。複数指定可能ですが、最初に指定したファイルがstart時に使用されます。 |
| --model_img_width <モデルのINPUTサイズ(横px)> |
- |
AIモデルのINPUTサイズ(横px)を指定する |
| --model_img_height <モデルのINPUTサイズ(縦px)> |
- |
AIモデルのINPUTサイズ(縦px)を指定する |
| --predict_type <推論タイプ> |
〇 |
AIモデルの推論タイプを指定する。指定可能なタイプはpredict_type_list参照 |
| --custom_predict_py <カスタム推論pyファイル> |
- |
独自の推論タイプを作成するときに指定。この時は--predict_type Customを指定 |
| --label_file <ラベルファイル> |
- |
推論結果のクラスラベルファイルを指定。改行区切りでラベル名(行indexがクラスと一致する)を指定したファイル。 |
| --color_file <色ファイル> |
- |
推論結果の可視化画像の色ファイルを指定。改行区切りで色(行indexがクラスと一致する)を指定したファイル。 |
| --overwrite |
- |
デプロイ済みであっても上書きする |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(AIモデルの配備一覧) : iinfer -m client -c deploy_list <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(AIモデルの配備解除) : iinfer -m client -c undeploy <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| -n,--name <登録名> |
〇 |
AIモデルの登録名を指定する |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(AIモデルの起動) : iinfer -m client -c start <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| -n,--name <登録名> |
〇 |
AIモデルの登録名を指定する |
| --model_provider <モデルプロバイダー> |
- |
ONNX形式のモデルファイルの場合に指定可能。指定可能なプロバイダーはCPUExecutionProvider,CUDAExecutionProvider,TensorrtExecutionProvider |
| --use_track |
- |
ObjectDetectionタスクの場合に指定可能。motpyを使ってトラッキングID付与を行う |
| --gpuid <GPUのid> |
- |
GPUのディバイスIDを指定する。--model_providerでGPUを使用するプロバイダーを指定した時に使用可能 |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(推論タイプ一覧) : iinfer -m client -c predict_type_list <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
クライアント(AIモデルの停止) : iinfer -m client -c stop <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| -n,--name <登録名> |
〇 |
AIモデルの登録名を指定する |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(推論の実行) : iinfer -m client -c predict <Option>
| Option |
Required |
Description |
| --host <IPアドレス又はホスト名> |
- |
Redisサーバーのサービスホストを指定する |
| --port <ポート番号> |
- |
Redisサーバーのサービスポートを指定する |
| --password <パスワード> |
- |
Redisサーバーのアクセスパスワード(任意)を指定する。省略時はpasswordを使用する |
| -n,--name <登録名> |
〇 |
AIモデルの登録名を指定する |
| -i,--input_file <推論対象の画像ファイル> |
- |
推論させる画像をファイルで指定する |
| --stdin |
- |
推論させる画像を標準入力から読み込む |
| --nodraw |
- |
推論結果画像にbbox等の描き込みを行わない |
| --image_type <推論対象の画像タイプ> |
- |
推論させる画像のタイプを指定する。指定可能な画像タイプはbmp, png, jpeg, capture |
| -o,--output_file <推論結果画像の保存先ファイル> |
--stdinを指定した時〇 |
推論結果画像の保存先ファイルを指定する |
| -P,--output_preview |
- |
推論結果画像をcv2.imshowで表示する |
| --timeout <タイムアウト> |
- |
サーバーの応答が返ってくるまでの最大待ち時間 |
クライアント(キャプチャーの実行) : iinfer -m client -c capture <Option>
このコマンドは、パイプで接続して下記のように使用します。
iinfer -m client -c capture <Option> | iinfer -m client -c predict --stdin --image_type capture <Option>
| Option |
Required |
Description |
| --capture_device <ディバイス> |
- |
キャプチャーディバイスを指定する。cv2.VideoCaptureの第一引数に渡される値。 |
| --capture_frame_width <キャプチャーサイズ(横px)> |
- |
キャプチャーする画像の横px。cv2.VideoCaptureオブジェクトのcv2.CAP_PROP_FRAME_WIDTHオプションに指定する値。 |
| --capture_frame_height <キャプチャーサイズ(縦px)> |
- |
キャプチャーする画像の縦px。cv2.VideoCaptureオブジェクトのcv2.CAP_PROP_FRAME_HEIGHTオプションに指定する値。 |
| --capture_fps <キャプチャーFPS> |
- |
キャプチャーする画像のFPS。キャプチャーが指定した値より高速な場合に残り時間分をsleepする |
| --capture_count <キャプチャー回数> |
- |
キャプチャー回数。AIの推論速度が指定した値より高速な場合に残り時間分をsleepする |
| --output_preview |
- |
推論結果画像をcv2.imshowで表示する |
後処理(物体検知フィルター) : iinfer -m postprocess -c det_filter <Option>
| Option |
Required |
Description |
| -i,--input_file <推論結果ファイル> |
--stdinを指定しない場合〇 |
後処理させる推論結果をファイルで指定する。 |
| --stdin |
--input_fileを指定しない場合〇 |
後処理させる推論結果を標準入力から読み込む |
| --score_th |
- |
bboxのクラススコアがこの値以下のものは除去されます |
| --width_th |
- |
bboxの横幅がこの長さ以下のものは除去されます |
| --height_th |
- |
bboxの縦幅がこの長さ以下のものは除去されます |
| --classes |
- |
このクラス以外のbboxは除去されます。複数指定できます |
| --labels |
- |
このラベル以外のbboxは除去されます。複数指定できます |
| --nodraw |
- |
推論結果画像にbbox等の描き込みを行わない |
| -P,--output_preview |
- |
推論結果画像をcv2.imshowで表示する |
後処理(CSV出力) : iinfer -m postprocess -c csv <Option>
| Option |
Required |
Description |
| -i,--input_file <推論結果ファイル> |
--stdinを指定しない場合〇 |
後処理させる推論結果をファイルで指定する。 |
| --stdin |
--input_fileを指定しない場合〇 |
後処理させる推論結果を標準入力から読み込む |
| -f,--format |
- |
このコマンドではこのオプションは無視されます。 |
後処理(HTTPリクエストの実行) : iinfer -m postprocess -c httpreq <Option>
| Option |
Required |
Description |
| -i,--input_file <推論結果ファイル> |
--stdinを指定しない場合〇 |
後処理させる推論結果をファイルで指定する。 |
| --stdin |
--input_fileを指定しない場合〇 |
後処理させる推論結果を標準入力から読み込む |
| --json_connectstr |
〇 |
推論結果のJSONのPOST先URLを指定する |
| --img_connectstr |
- |
推論結果の画像のPOST先URLを指定する |
| --fileup_name <パラメータ名> |
- |
推論結果の画像をPOSTするときのパラメータ名を指定する。省略するとfileが使用される。 |
よくあるエラー
| Operation |
Message |
Cause |
How to |
iinfer -m install -c mmdet |
shutil.Error ... |
現在のディレクトリにmmdetectionが既に存在したり、データディレクトリ「~/.iinfer/」にmmdetectionが存在する |
mmdetectionのディレクトリを削除 |
iinfer -m install -c mmpretrain |
shutil.Error ... |
現在のディレクトリにmmpretrainが既に存在したり、データディレクトリ「~/.iinfer/」にmmpretrainが存在する |
mmpretrainのディレクトリを削除 |
iinfer -m install -c <mm系> |
Failed to uninstall mmcv |
mmdet又はmmpretrainのモデルが起動中 |
iinfer -m serverで起動したサーバープロセスを停止 |
iinfer -m client -c start -n <model_name> |
Failed to create session: No module named 'mmdet' |
mmdetがインストールされていません |
iinfer -m install -c mmdet |
iinfer -m client -c start -n <model_name> |
Failed to create session: No module named 'mmpretrain' |
mmpretrainがインストールされていません |
iinfer -m install -c mmpretrain |
カスタム推論モジュールについて
AIモデルの配備iinfer -m client -c deploy <Option>コマンドで--predict_type Custom且つ--custom_predict_py <カスタム推論pyファイル>オプションを指定すると、カスタムモデルを配備できます。
カスタム推論pyファイルはiinfer.app.predict.Predictクラスを継承させたクラスを作成してください。
iinfer.app.predict.Predictクラスの定義は下記の通りで、継承したクラスはcreate_sessionとpredictメソッドを定義してください。
from pathlib import Path
from PIL import Image
from typing import List, Tuple, Dict, Any
import logging
class Predict(object):
def create_session(self, logger:logging.Logger, model_path:Path, model_conf_path:Path, model_provider:str, gpu_id:int=None) -> Any:
"""
推論セッションを作成する関数です。
startコマンド実行時に呼び出されます。
この関数内でAIモデルのロードを行い、推論準備を完了するようにしてください。
戻り値の推論セッションの型は問いません。
Args:
logger (logging.Logger): ロガー
model_path (Path): モデルファイルのパス
model_conf_path (Path): モデル設定ファイルのパス
gpu_id (int, optional): GPU ID. Defaults to None.
Returns:
推論セッション
"""
raise NotImplementedError()
def predict(self, session, img_width:int, img_height:int, image:Image, labels:List[str]=None, colors:List[Tuple[int]]=None, nodraw:bool=False) -> Tuple[Dict[str, Any], Image.Image]:
"""
予測を行う関数です。
predictコマンドやcaptureコマンド実行時に呼び出されます。
引数のimageはRGBですので、戻り値の出力画像もRGBにしてください。
戻り値の推論結果のdictは、通常推論結果項目ごとに値(list)を設定します。
例）Image Classification（EfficientNet_Lite4）の場合
return dict(output_scores=output_scores, output_classes=output_classes), image_obj
例）Object Detection（YoloX）の場合
return dict(output_boxes=final_boxes, output_scores=final_scores, output_classes=final_cls_inds), output_image
Args:
session: 推論セッション
img_width (int): モデルのINPUTサイズ（画像の幅）
img_height (int): モデルのINPUTサイズ（画像の高さ）
image (Image): 入力画像（RGB配列であること）
labels (List[str], optional): クラスラベルのリスト. Defaults to None.
colors (List[Tuple[int]], optional): ボックスの色のリスト. Defaults to None.
nodraw (bool, optional): 描画フラグ. Defaults to False.
Returns:
Tuple[Dict[str, Any], Image]: 予測結果と出力画像(RGB)のタプル
"""
raise NotImplementedError()
iinferコマンドについて
python -m iinferの省略形です。
実体はscriptsディレクトリ内にあります。
データの保存場所
pathlib.Path(HOME_DIR) / '.iinfer'
動作確認したモデル
| AI Task |
base |
frameWork |
input |
model |
predict_type |
memo |
| Object Detection |
YOLOX |
mmdetection |
416x416 |
YOLOX-tiny |
mmdet_det_YoloX_Lite |
- |
| Object Detection |
YOLOX |
mmdetection |
640x640 |
YOLOX-s |
mmdet_det_YoloX |
- |
| Object Detection |
YOLOX |
mmdetection |
640x640 |
YOLOX-l |
mmdet_det_YoloX |
- |
| Object Detection |
YOLOX |
mmdetection |
640x640 |
YOLOX-x |
mmdet_det_YoloX |
- |
| Object Detection |
YOLOX |
onnx |
416x416 |
YOLOX-Nano |
onnx_det_YoloX_Lite |
*1 |
| Object Detection |
YOLOX |
onnx |
416x416 |
YOLOX-Tiny |
onnx_det_YoloX_Lite |
*1 |
| Object Detection |
YOLOX |
onnx |
640x640 |
YOLOX-s |
onnx_det_YoloX |
*1 |
| Object Detection |
YOLOX |
onnx |
640x640 |
YOLOX-m |
onnx_det_YoloX |
*1 |
| Object Detection |
YOLOX |
onnx |
640x640 |
YOLOX-l |
onnx_det_YoloX |
*1 |
| Object Detection |
YOLOX |
onnx |
640x640 |
YOLOX-x |
onnx_det_YoloX |
*1 |
| Object Detection |
YOLOv3 |
onnx |
416x416 |
YOLOv3-10 |
onnx_det_YoloV3 |
- |
| Object Detection |
YOLOv3 |
onnx |
416x416 |
YOLOv3-12 |
onnx_det_YoloV3 |
- |
| Object Detection |
YOLOv3 |
onnx |
416x416 |
YOLOv3-12-int8 |
onnx_det_YoloV3 |
- |
| Object Detection |
TinyYOLOv3 |
onnx |
416x416 |
TinyYOLOv3 |
onnx_det_TinyYoloV3 |
- |
| Image Classification |
Swin Transformer |
mmpretrain |
224x224 |
swin-tiny_16xb64_in1k |
mmpretrain_cls_swin_Lite |
- |
| Image Classification |
Swin Transformer |
mmpretrain |
224x224 |
swin-small_16xb64_in1k |
mmpretrain_cls_swin_Lite |
- |
| Image Classification |
Swin Transformer |
mmpretrain |
384x384 |
swin-base_16xb64_in1k-384px |
mmpretrain_cls_swin |
- |
| Image Classification |
Swin Transformer |
mmpretrain |
384x384 |
swin-large_16xb64_in1k-384px |
mmpretrain_cls_swin |
- |
| Image Classification |
EfficientNet-Lite4 |
onnx |
224x224 |
EfficientNet-Lite4-11 |
onnx_cls_EfficientNet_Lite4 |
- |
| Image Classification |
EfficientNet-Lite4 |
onnx |
224x224 |
EfficientNet-Lite4-11-int8 |
onnx_cls_EfficientNet_Lite4 |
- |
| Image Classification |
EfficientNet-Lite4 |
onnx |
224x224 |
EfficientNet-Lite4-11-qdq |
onnx_cls_EfficientNet_Lite4 |
- |
*1）pth2onnxを使用してONNX形式に変換して使用
開発環境構築
git clone https://github.com/hamacom2004jp/iinfer.git
cd iinfer
python -m venv .venv
.venv\Scripts\activate
python.exe -m pip install --upgrade pip
pip install -r requirements.txt
deactivate
WSL2上にredis-serverのdocker導入
# Ubuntuイメージインストール（cmdプロンプトで実行：ubuntuユーザーを作成する）
wsl --install -d Ubuntu-20.04
# Ubuntu初期設定（bash上で実行）
cd /etc/apt
sudo sed -i.bak -e "s/http:\/\/archive\.ubuntu\.com/http:\/\/jp\.archive\.ubuntu\.com/g" sources.list
sudo apt update
sudo apt install -y language-pack-ja manpages-ja manpages-ja-dev
sudo update-locale LANG=ja_JP.UTF-8
# Dockerインストール（bash上で実行）
sudo apt install -y apt-transport-https ca-certificates curl software-properties-common
cd ~/
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu focal stable"
sudo apt update
apt-cache policy docker-ce
sudo apt install -y docker-ce docker-compose
sudo usermod -aG docker ubuntu
exit
# Ubuntuイメージ再起動（cmdプロンプトで実行）
wsl --shutdown
wsl --export Ubuntu-20.04 Ubuntu_wsl2_docker-20.04.tar
wsl --unregister Ubuntu-20.04
mkdir Ubuntu_docker-20.04
wsl --import Ubuntu_docker-20.04 Ubuntu_docker-20.04 Ubuntu_wsl2_docker-20.04.tar --version 2
wsl -u ubuntu -d Ubuntu_docker-20.04
# redis-server起動
docker run -d --name redis-container --rm -e TZ=UTC -p 6379:6379 -e REDIS_PASSWORD=<password> ubuntu/redis:latest
pyplにアップするための準備
python setup.py sdist
python setup.py bdist_wheel
[distutils]
index-servers =
pypi
testpypi
[pypi]
repository: https://upload.pypi.org/legacy/
username: __token__
password: 本番環境のAPIトークン
[testpypi]
repository: https://test.pypi.org/legacy/
username: __token__
password: テスト環境のAPIトークン
- テスト環境にアップロード
.pyplrcを作っていない場合はコマンド実行時にusernameとpasswordを要求される
成功するとURLが返ってくる。
twine upload --repository testpypi dist/*
pip install -i https://test.pypi.org/simple/ iinfer
twine upload --repository pypi dist/*
Lisence
This project is licensed under the MIT License, see the LICENSE.txt file for details
