部署物体检测模型

更新时间：2025-08-21

本教程说明如何将一个物体检测模型通过BIE部署至边缘节点。

操作指南

导入配置项

进入配置管理
点击导入配置项
选择导入文件： amd64:配置项-easyedge-linux-mdp-4fn7k2tve4xyknp1-amd64.json arm64:配置项-easyedge-app-arm64.json
导入完毕以后，将增加一个配置项。
在内网环境下，可以先下载模型文件，再上传至内网的对象存储，最后修改配置项的下载地址为内网地址。

导入应用

进入应用部署
点击导入应用
选择导入文件： amd64:应用-easyedge-app10amd64.json arm64:应用-easyedge-app-arm64.json
导入完毕以后，将增加一个应用。
在内网环境下，可以先下载镜像：registry.baidubce.com/aiot/edgekit_x86:1.0.4，

Plain Text

1registry.baidubce.com/aiot/edgekit_armv8:1.0.2

，再上传至内网的镜像仓库，最后修改应用的镜像地址为内网地址。

部署应用到边缘节点

在应用部署当中，可以选择将应用部署至哪些边缘节点，部署的逻辑是通过边缘节点的标签进行匹配。例如edge-node这个边缘节点有一个baetyl-node-name: edge-node这样的KV标签，如下图所示：

那么目标节点界面，点击匹配标签，添加baetyl-node-name: edge-node作为目标节点标签，如下图所示：

在添加完毕以后，系统自动基于标签匹配出目标节点为edge-node，如下图所示：

验证边缘AI服务运行

打开原模型的label_list.txt文件，我们可以看到此模型可以识别以下种类物体：

Bash

1background
2aeroplane
3bicycle
4bird
5boat
6bottle
7bus
8car
9cat
10chair
11cow
12diningtable
13dog
14horse
15motorbike
16person
17pottedplant
18sheep
19sofa
20train
21tvmonitor

可以看到此模型可以识别人和狗这两种物体，我们可以找一张遛狗的测试图片。

通过浏览器验证

本案例当中的AI推断服务提供了web操作界面，所以可以通过web界面上传上述测试图片。打开浏览器，访问：http://[边缘节点IP地址]:8088/。如果能够打开界面，表示边缘推断服务正常启动。此时上传测试图片，推断服务将自动给出推断结果，如下图所示，在置信度为80%时，识别出图片当中有3个人，1条狗，置信度可用户自定义修改。

通过API验证

边缘AI应用作为一个容器服务运行在边缘节点，它同时对外提供API访问接口，支持被其他应用调用，并返回物体检测结果。具体API使用参考API文档

下面通过python代码调用接口进行示例说明：

拷贝下面的python代码保存至本地，命名为test_ai_model_api.py。

                Python
                
                import requests
 
with open('./1.jpg', 'rb') as f:
    img = f.read()
 
# params is GET params,  data is POST Body
result = requests.post('http://[边缘节点ip]:8088/', params={'threshold': 0.8},data=img).json()
 
print (result)

下载图片 1.jpg，保存至与test_ai_model_api.py同目录下。
执行test_ai_model_api.py

Shell

1python test_ai_model_api.py

查看接口返回结果为如下JSON，同样标识识别出1个人和3条狗。

                JSON
                
            

                {
    "cost_ms":179,
    "error_code":0,
    "results":[
        {
            "confidence":0.9943918585777283,
            "index":12,
            "label":"dog",
            "location":{
                "height":397,
                "left":100,
                "top":691,
                "width":383
            },
            "name":"dog",
            "score":0.9943918585777283,
            "x1":0.14523082971572876,
            "x2":0.6987910866737366,
            "y1":0.6263848543167114,
            "y2":0.9866765737533569
        },
        {
            "confidence":0.9922541379928589,
            "index":15,
            "label":"person",
            "location":{
                "height":304,
                "left":547,
                "top":332,
                "width":92
            },
            "name":"person",
            "score":0.9922541379928589,
            "x1":0.7918291687965393,
            "x2":0.9249030947685242,
            "y1":0.30082497000694275,
            "y2":0.5762962102890015
        },
        {
            "confidence":0.9846013784408569,
            "index":15,
            "label":"person",
            "location":{
                "height":1020,
                "left":311,
                "top":63,
                "width":308
            },
            "name":"person",
            "score":0.9846013784408569,
            "x1":0.4507014751434326,
            "x2":0.8969031572341919,
            "y1":0.05781838297843933,
            "y2":0.9817966222763062
        },
        {
            "confidence":0.9536634683609009,
            "index":15,
            "label":"person",
            "location":{
                "height":357,
                "left":35,
                "top":327,
                "width":149
            },
            "name":"person",
            "score":0.9536634683609009,
            "x1":0.05083557963371277,
            "x2":0.2662031948566437,
            "y1":0.2963605523109436,
            "y2":0.6200013160705566
        }
    ]
}
            

部署mnist手写数字识别模型

video-infer实现边缘视频AI推断

智能边缘 BIE