企业官网建设流程全解析

• 后端
• 前端
• 人工智能
• 大模型
• 模型推理服务
• 微调
• 计算机视觉
• 音视频

EasyAIoT 是一个融合了流媒体与 AI 能力的物联网平台，其内置的模型训练模块让新手也能在 Web 界面上完成多 GPU 训练、断点续训、模型发布与节点部署的完整链路。本文带你快速搞懂这套 AI 模型定制化的全流程。

一、功能总览：从数据集到智能监控

EasyAIoT 的训练链路可以概括为四步：准备数据集 → 多卡训练 → 发布模型 → 部署上线。平台在「模型训练」菜单下统一管理训练任务，你无需手写训练脚本，只需选择数据集和超参数即可启动。

1. 准备训练数据集

训练质量取决于数据。EasyAIoT 提供图形化的图像数据集标注工具，支持在摄像头抓拍画面上直接框选目标（如车辆、行人），并自动维护 YOLO 标准的images/labels + data.yaml目录结构，也兼容 COCO 原生格式。

标注进度、数据集编码等元信息会在数据集详情页集中展示，训练前可先确认标注完成度：

二、多 GPU 训练：让多张显卡并行加速

1. 如何配置多卡训练

启动训练任务时，EasyAIoT 会自动检测当前节点的 GPU 状态，并通过GPU_IDS/TRAIN_GPU_IDS环境变量指定使用的显卡。当指定多张 GPU 时，系统自动以DDP（分布式数据并行）模式启动训练，训练入口位于 AI/app/blueprints/train.py，设备解析逻辑在 AI/app/utils/gpu_utils.py。

多卡训练有两条新手务必注意的规则：

• batch_size 必须是 GPU 数量的整数倍：batch_size表示总批次大小，会被均匀分配到各卡。若不能整除，平台会直接给出提示并建议调整值，避免报错中断；
• 离线环境自动兜底：DDP 子进程训练时需要渲染日志字体，平台会提前离线准备 Ultralytics 字体，无需训练时联网下载。

训练过程中，每个 epoch、每个 batch 都会实时回写进度与心跳日志（含 epoch 序号、batch 序号、AMP 开关等），控制台随时可见，训练结束还会自动上传results.csv与results.png图表到对象存储（MinIO），方便回溯曲线。

2. 无 GPU 时怎么办

如果节点没有可用 CUDA 设备，或显存不足，调度器会自动回落到 CPU 训练并记录诊断日志（USE_GPU、cuda_available、设备数量、PyTorch/CUDA 版本），保证任务不丢、结果可查。

三、断点续训：训练中断也能无缝继续

长时间训练最怕断电、节点重启或人为停止。EasyAIoT 在训练回调中每完成一个 epoch 就持久化进度与 checkpoint 路径（save_period=5定期保存权重），中断后再启动时只需勾选「从断点继续」，系统会：

1. 自动定位断点文件：在任务目录下查找最新的epoch*.pt完整断点，找不到则明确报错「找不到训练断点文件，无法继续训练」；
2. 校验断点有效性：断点校验逻辑位于 AI/app/utils/train_checkpoint.py，会检查断点是否同时包含 epoch 序号与 optimizer 状态，并给出三种处理结果——可续训（resume）、仅最终权重可直接收尾（finalize）、权重残缺拒绝续训（reject），防止把"半成品"当成新训练跑偏；
3. 从下一 epoch 继续：加载成功后从resume=True继续，直至达到目标 epochs；若断点已是最终权重，则跳过重复训练、直接保存结果。

对于多卡任务，停止训练时还有专门的 DDP 进程树终止器（见 AI/app/utils/train_process_control.py），确保所有子进程干净退出、显存及时释放，为下一次续训腾出空间。

四、模型发布：训练成果一键进入模型库

训练完成后，平台会自动产出best.pt最佳权重并上传 MinIO。此时只需在任务详情中点击「发布」，弹出发布对话框（前端实现见 WEB/src/views/train/components/PublishTrainModelModal/index.vue）：

• 模型名称：不填则默认沿用训练任务名；
• 版本策略：支持「自动递增」（如 1.0.0 → 1.0.1 → 1.0.2）或手动指定x.y.z格式版本号；同名模型重复发布时会自动叠加为版本族，发布即取代旧版本生效。

后端发布逻辑位于 AI/app/blueprints/train_task.py（publish_train_task_to_model），发布成功后模型直接写入「模型管理」，可被推理服务、模型导出和算法任务直接引用——这就是"训练即资产"的闭环。

五、节点部署：把训练任务调度到 GPU 集群

单机的 GPU 不够用？EasyAIoT 支持将训练任务下发到集群中的计算节点，核心调度逻辑在 AI/app/services/train_launcher_service.py：

1. 调度策略：local（本机）、auto（自动择优）、node（指定节点）三种策略；auto模式下优先分配 GPU 节点，无可用节点时自动回落本机训练，任务不失败；
2. Worker 下发：控制面把 AI/services/train_worker/run_worker.py 作为远程训练 Worker 下发到目标节点，通过TRAIN_TASK_ID、TRAIN_EPOCHS、TRAIN_GPU_IDS、TRAIN_RESUME等环境变量传递全部参数；
3. 共享存储：集群模式下训练读写 CephFS 共享目录，数据集与产出在控制面和节点间天然一致；
4. 资源释放：训练结束或异常时自动release_binding释放节点与 GPU 绑定，停止远程任务还会级联终止 Worker 进程。

模型训练好之后，同样的节点调度机制也服务于推理服务部署（见 AI/app/services/deploy_service.py），训练与推理共用一套算力编排底座。

最终，发布的模型被挂到算法任务上，摄像头画面即可实时输出识别结果与告警记录，形成"训练 → 发布 → 部署 → 预警"的完整 AI 闭环：

六、新手避坑清单

EasyAIoT 把多 GPU 训练、断点续训、版本化发布与集群节点部署整合进一条可视化链路，让"人人可训练自己的 AI 模型"真正成为低门槛的事情。

• 后端
• 前端
• 人工智能
• 大模型
• 模型推理服务
• 微调
• 计算机视觉
• 音视频