部署通用CPU模型

更新时间：2025-08-21

本教程说明如何使用EasyEdge生成端模型，以及如何使用BIE将模型下发至边缘设备。

一、前提假设

本案例的前提条件是已完成快速入门当中的操作，边缘节点已连接至云端，并处于在线状态。

二、在EasyEdge控制台生成端模型

1.获取mobilnetv1-ssd-voc-fluid原模型

原始模型可以是用户自己训练的模型，也可以使用现成的模型。在本教程当中，我们将使用一个基于 paddle 框架的 物体检测 模型 mobilnetv1-ssd-voc-fluid。

2.在EasyEdge上传原模型

打开EasyEdge官网，点击 立即使用 ，登录EasyEdge控制台。这里使用的登录账号就是百度智能云的账号，与BIE账号一致。

进入 EasyEdge，点击 上传模型 。

在 上传原模型 界面，输入原模型信息：

模型名称：用户自定义，此处输入 mobilnetv1-ssd-voc-fluid-v2
模型类型：物体检测
模型框架：PaddlePaddle
模型网络：MobileNetV1-SSD
网络结构：选择模型目录当中以的model文件
网络参数：选择模型目录当中以的params文件
模型标签：选择模型目录当中以的label_list.txt
其他配置：选择模型目录当中以的preprocess_args.json

3.生成端模型

点击 校验并提交模型 ，校验通过以后，进入到 生成端模型 菜单，在此处设置此模型需要适配的端环境，如下图所示：

点击 生成模型 ，进入到模型生成阶段，这个过程大约需要几分钟，实际实际取决于模型的大小。

此处我们生成基于Linux操作系统的通用ARM芯片版本和通用x86芯片版本的端模型，分别对应 Linux-arm64 和 Linux-amd64 这两种架构。

4.在SDK列表下载端模型

在模型生成完毕以后，进入到 SDK列表 ，可以看到生成的端模型

点击下载，获取V1(amd64)、V2(arm64)两个不同芯片架构版本的端模型，并计算两个zip文件的MD5值，后续用于模型下发校验文件完整性。

版本	模型SDK文件名	模型文件MD5值	芯片架构
V2	EasyEdge-Linux-m38748-b38748-x86.zip	87a6a8f625fbb4715186c374d2af7add	amd64
V1	EasyEdge-Linux-m38748-b38748-arm.zip	ff323155e61a99fc2b152f39a01636e0	arm64

此处获得的EasyEdge-Linux-m38748-b38748-x86.zip 点此下载和 EasyEdge-Linux-m38748-b38748-arm.zip 点此下载两个文件就是我们的AI模型。

三、在BIE控制台创建模型服务并下发

1.AI模型上传

在得到AI模型以后，需要将AI模型上传到对象存储当中，BIE支持从以下对象存储当中获取模型文件：

Baidu BOS
AWS S3标准的对象存储，例如AWS S3，CEPH，Minio

模型上传Baidu BOS

如果使用的是Baidu BOS，操作步骤如下：

创建bucket：bucket-demo-01
在bucket当中创建目录：easyedge
将模型文件上传到easyedge目录下，如下图所示：

模型上传到Minio

如果使用自己搭建的Minio，操作步骤如下：

登录Minio
输入用户名密码，一般默认用户名密码如下：
- ak:AKIAIOSFODNN7EXAMPLE
- sk:wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY
创建bucket：model-upload
上传模型文件到bucket下，如下图所示：

2.创建AI模型配置项

进入配置管理界面，点击创建配置项，填写配置项名称：mobilnetv1-ssd-voc-fluid-arm64。然后点击引入文件，填写AI模型文件在对象存储当中的下载信息。

方案一：从Baidu BOS引入文件

在公有云环境下，BIE与BOS账号集成打通，如果从BOS引入文件，不需要输入用户名密码，直接通过下拉菜单选择模型文件位置即可。如果是引入非当前BIE账号下的模型文件，则需要输入访问BOS的AK\SK

方案二：从AWS S3引入文件

如果需要从AWS S3，或者是满足AWS S3标准的兑现存储（CEPH、Minio）当中下载模型文件，则按照以下案例输入模型文件下载信息，实际使用的的是自己搭建的minio服务。

3.创建AI应用并部署到边缘节点

进入应用部署界面，点击创建应用，按照提示以此填写：①基本信息->②服务配置->③目标节点。

①基本信息

在基本信息界面填写应用的基本信息，如下图所示：

应用名称：edge-ai-demo-app
应用类型：容器应用
应用描述：可选，可为空

②服务配置

在服务配置界面，填写服务信息，点击添加服务，在弹出框当中填写如下信息：

基本信息
- 服务名称：object-detection
- arm镜像地址：registry.baidubce.com/aiot/edgekit_armv8:1.0.2
- amd镜像地址：registry.baidubce.com/aiot/edgekit_x86:1.0.1
卷配置
- 卷名称：ai-model
- 类型：配置项
- 参数：从下拉框当中选择前面创建的AI模型配置项
- 容器目录：/mnt/easyedge
- 读写权限：读写
端口映射
- 宿主机端口：8088
- 容器端口：8701
- 协议：TCP
启动参数（启动参数与模型和推断镜像强相关，启动参数并非所有模型都是标准的）
- /bin/bash
- /home/work/easyedge/serving/bootstrap.sh
其他
- 使用默认配置

③目标节点

在应用部署当中，可以选择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：

4.验证边缘AI服务

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： background、 aeroplane、 bicycle、 bird、 boat、 bottle、 bus、 car、 cat、 chair、 cow、 diningtable、 dog、 horse、 motorbike、 person、 pottedplant、 sheep、 sofa、 train、 tvmonitor。

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。

浏览器校验

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。

API校验

ai-infer-service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EasyEdge SDK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
    }]
}
            

进程模式应用

部署模型SDK至Atlas200DK

智能边缘 BIE