智能边缘控制台-单节点版

全功能AI开发平台 BML

  • 版本发布记录
  • 快速开始
    • 用BML实现表格预测
    • 用BML实现序列标注
    • 用BML实现文本实体抽取
    • 用BML实现图片分类
    • 用BML实现实例分割
    • 用BML评价短文本相似度
    • 用BML实现开源大模型的预训练(Post-pretrain)
    • 用BML实现文本分类
    • 用BML实现物体检测
  • 模型仓库
    • 从训练任务导入模型
    • 查看模型
    • 创建模型
    • 模型仓库简介
    • 从本地导入模型
    • 校验模型
    • 服务代码文件示例
      • Sklearn服务代码文件示例
      • XGBoost服务代码文件示例
  • 平台管理
    • 权限管理
    • 在BML平台使用并行文件系统PFS和对象存储BOS
    • 在BML平台使用容器镜像服务CCR
    • 在BML使用外部镜像
    • 项目空间管理
    • 镜像管理
      • 镜像使用
      • 镜像管理简介
      • 常见问题
      • 自定义镜像
    • 资源管理
      • 资源池管理简介
      • 资源池使用简介
  • 预测部署
    • 批量预测(用户资源池)API
    • 文字识别模型部署
      • 文字识别任务API参考文档
      • 文字识别任务公有云部署
    • 通用模型部署
      • 标准接口规范参考
      • Paddle框架API调用文档
      • sklearn框架API调用文档
      • 公有云部署
      • XGBoost框架API调用文档
      • tensorflow框架API调用文档
      • Pytorch框架API调用文档
      • 通用类模型API参考
      • 错误码
    • 语音技术模型部署
      • 声音分类API调用文档
    • 视觉模型部署
      • 智能边缘控制台-多节点版
      • 端云协同服务部署
      • 智能边缘控制台-单节点版
      • 视觉任务模型部署整体说明
      • 软硬一体方案部署
        • 视觉任务Jetson专用SDK集成文档
        • 如何获取视觉任务软硬一体产品
        • 视觉任务EdgeBoard(VMX)专用SDK集成文档
        • 视觉任务EdgeBoard(FZ)专用SDK集成文档
        • 视觉任务专用辨影SDK集成开发文档
      • 私有服务器部署
        • 视觉模型如何部署在私有服务器
        • 私有API
          • 如何发布私有API
          • 图像分类-单图单标签私有API集成文档
          • 图像分类-单图多标签私有API集成文档
          • 物体检测私有API集成文档
        • 服务器端SDK
          • 视觉任务服务器端LinuxSDK集成文档-Python
          • 视觉任务服务器端LinuxSDK集成文档-C++
          • 如何发布服务器端SDK
          • 视觉任务服务器端WindowsSDK集成文档
          • 视觉任务服务器端SDK简介
      • 设备端SDK部署
        • 视觉任务WindowsSDK集成文档
        • 视觉任务iOSSDK集成文档
        • 视觉任务LinuxSDK集成文档-Python
        • 视觉任务LinuxSDK集成文档-C++
        • 视觉任务设备端SDK使用说明
        • 如何发布视觉任务设备端SDK
        • 视觉任务AndroidSDK集成文档
      • 公有云部署
        • 文字识别API参考文档
        • 视觉任务公有云部署
        • 物体检测API参考文档
        • 图像分类-单图单标签API参考文档
        • 实例分割API参考文档
        • 图像分类-单图多标签API参考文档
    • 表格预测模型部署
      • 整体说明
      • 公有云部署
    • 公有云部署管理
      • 配置AB测试版本
      • 批量预测服务
      • 公有云部署
      • 公有云部署简介
      • 配置休眠策略
    • NLP模型部署
      • 自然语言处理任务模型部署整体说明
      • 私有服务器部署
        • 如何部署在私有服务器
        • 私有服务API说明
          • 私有部署说明-短文本相似度
          • 私有化部署接口说明-文本分类
          • 私有部署文档-序列标注
          • 文本实体抽取API调用文档
      • 公有云部署
        • 短文本匹配API调用文档
        • 文本实体抽取私有API调用说明
        • 如何发布自然语言处理任务API
        • 文本分类-多标签API调用文档
        • 文本分类API调用文档
        • 序列标注API调用文档
  • 数据服务
    • 数据服务简介
    • 智能数据API
    • 公有云服务调用数据反馈
    • 智能标注
      • 文本智能标注介绍及原理说明
      • 图像智能标注介绍说明
    • 管理视觉数据
      • 实例分割数据导入与标注
        • 数据标注说明
        • 导入未标注数据
        • 导入已标注数据
      • 物体检测数据导入与标注
        • 物体检测数据标注说明
        • 物体检测导入未标注数据
        • 物体检测导入已标注数据
      • 图像分类数据导入与标注
        • 图像分类导入未标注数据
        • 图像分类导入已标注数据
        • 图像分类数据标注说明
    • 管理文本数据
      • 文本分类数据导入与标注
        • 文本分类数据标注说明
        • 文本分类数据导入与标注
        • 数据去重策略
      • 序列标注数据导入与标注
        • 序列标注标注说明
        • 序列标注数据导入
        • 数据去重策略
      • 文本实体抽取数据标注
        • 文本实体抽取数据标注
        • 文本实体抽取数据导入
        • 数据去重策略
      • 短文本匹配数据导入与标注
        • 短文本匹配数据导入与标注
        • 数据去重策略说明
        • 短文本匹配数据标注
  • 产品简介
    • BML平台升级公告
    • 平台重点升级介绍
    • 产品优势
    • 产品功能
    • 什么是BML
    • 文心大模型
  • 产品定价
    • 服务器部署价格说明
    • 专项适配硬件部署价格说明
    • 公有云部署计费说明
    • 批量预测计费说明
    • 模型训练计费说明
    • 通用小型设备部署价格说明
  • 模型训练
    • Notebook建模
      • 创建并启动Notebook
      • Notebook导入数据集
      • 保存Notebook中的模型
      • Notebook使用参考
      • 常见问题
      • 数据模型可视化功能说明
      • Notebook简介
      • 发布模型
      • 配置模型
      • 使用Notebook开发模型
      • 如何使用Notebook SSH 功能
      • Notebook从训练到部署快速入门
        • Codelab Notebook自定义环境部署最佳实践
        • 基于Notebook的图像分类模板使用指南
        • 基于 Notebook 的 NLP 通用模板使用指南
        • Notebook 模板使用指南概述
        • 基于 Notebook 的通用模板使用指南
        • 基于 Notebook 的物体检测模板使用指南
    • 自定义作业建模
      • 自定义作业简介
      • 训练作业API
      • 训练作业
        • 使用训练作业训练模型
        • 创建训练作业
        • 发布模型
        • 训练作业代码示例
          • TensorFlow 1.13.2
          • AIAK- Training Pytorch版
          • TensorFlow 2.3.0
          • Blackhole 1.0.0
          • Pytorch 1.7.1
          • Sklearn 0.23.2
          • XGBoost 1.3.1
          • PaddlePaddle 2.0.0rc
      • 自动搜索作业
        • 创建自动搜索作业
        • yaml文件编写规范
        • 自动搜索作业简介
        • 自动搜索作业代码编写规范
        • 自动搜索作业代码示例
          • XGBoost 1.3.1代码规范
          • TensorFlow 1.13.2代码规范
          • Sklearn 0.23.2代码规范
          • Pytorch 1.7.1代码规范
          • Tensorflow2.3.0代码规范
          • PaddlePaddle 2.1.1代码规范
    • 可视化建模
      • 快速入门
      • 概述
      • 组件菜单
        • 001-基本操作
        • 003-查看模型特征溯源
        • 007-组件状态
        • 008-组件资源配置
        • 006-组件列选择
        • 002-查看模型可解释性
        • 004-查看特征重要性
      • 组件说明
        • 015-图算法
        • 004-特征工程组件
        • 003-数据处理组件
        • 012-预测组件
        • 008-聚类算法
        • 009-Python算法组件
        • 002-数据集组件
        • 014-自然语言处理组件
        • 010-NLP算法
        • 016-统计分析组件
        • 006-回归算法
        • 007-异常检测算法
        • 013-模型评估组件
        • 005-分类算法
        • 018-时间序列组件
      • 画布操作说明
        • 005-AutoML(自动调参)
        • 002-开始训练
        • 001-概述
    • 预置模型调参建模
      • 预置模型调参简介
      • 神经网络训练搜索
      • 开发视觉模型
        • 视觉任务简介
        • 查看训练结果
        • 创建视觉任务
        • 配置视觉任务
        • 开发参考
          • 视觉预训练模型
          • 超参数配置参考
          • 评估报告参考
          • 自动超参搜索配置参考
          • 数据增强算子参考
          • 训练时长设置参考
          • 网络选型参考
      • 开发表格预测模型
        • 创建表格预测任务
        • 配置专家模式表格数据预测任务
        • 查看训练结果
        • 配置AUTOML模式表格数据预测任务
        • 表格预测任务简介
      • 开发文字识别模型
        • 文字识别任务简介
        • 文字识别任务操作流程
      • 开发自然语言处理模型
        • 查看训练结果
        • 自然语言处理任务简介
        • 配置NLP任务
        • 创建NLP任务
        • 代码模板升级及迁移说明
所有文档
menu
没有找到结果,请重新输入

全功能AI开发平台 BML

  • 版本发布记录
  • 快速开始
    • 用BML实现表格预测
    • 用BML实现序列标注
    • 用BML实现文本实体抽取
    • 用BML实现图片分类
    • 用BML实现实例分割
    • 用BML评价短文本相似度
    • 用BML实现开源大模型的预训练(Post-pretrain)
    • 用BML实现文本分类
    • 用BML实现物体检测
  • 模型仓库
    • 从训练任务导入模型
    • 查看模型
    • 创建模型
    • 模型仓库简介
    • 从本地导入模型
    • 校验模型
    • 服务代码文件示例
      • Sklearn服务代码文件示例
      • XGBoost服务代码文件示例
  • 平台管理
    • 权限管理
    • 在BML平台使用并行文件系统PFS和对象存储BOS
    • 在BML平台使用容器镜像服务CCR
    • 在BML使用外部镜像
    • 项目空间管理
    • 镜像管理
      • 镜像使用
      • 镜像管理简介
      • 常见问题
      • 自定义镜像
    • 资源管理
      • 资源池管理简介
      • 资源池使用简介
  • 预测部署
    • 批量预测(用户资源池)API
    • 文字识别模型部署
      • 文字识别任务API参考文档
      • 文字识别任务公有云部署
    • 通用模型部署
      • 标准接口规范参考
      • Paddle框架API调用文档
      • sklearn框架API调用文档
      • 公有云部署
      • XGBoost框架API调用文档
      • tensorflow框架API调用文档
      • Pytorch框架API调用文档
      • 通用类模型API参考
      • 错误码
    • 语音技术模型部署
      • 声音分类API调用文档
    • 视觉模型部署
      • 智能边缘控制台-多节点版
      • 端云协同服务部署
      • 智能边缘控制台-单节点版
      • 视觉任务模型部署整体说明
      • 软硬一体方案部署
        • 视觉任务Jetson专用SDK集成文档
        • 如何获取视觉任务软硬一体产品
        • 视觉任务EdgeBoard(VMX)专用SDK集成文档
        • 视觉任务EdgeBoard(FZ)专用SDK集成文档
        • 视觉任务专用辨影SDK集成开发文档
      • 私有服务器部署
        • 视觉模型如何部署在私有服务器
        • 私有API
          • 如何发布私有API
          • 图像分类-单图单标签私有API集成文档
          • 图像分类-单图多标签私有API集成文档
          • 物体检测私有API集成文档
        • 服务器端SDK
          • 视觉任务服务器端LinuxSDK集成文档-Python
          • 视觉任务服务器端LinuxSDK集成文档-C++
          • 如何发布服务器端SDK
          • 视觉任务服务器端WindowsSDK集成文档
          • 视觉任务服务器端SDK简介
      • 设备端SDK部署
        • 视觉任务WindowsSDK集成文档
        • 视觉任务iOSSDK集成文档
        • 视觉任务LinuxSDK集成文档-Python
        • 视觉任务LinuxSDK集成文档-C++
        • 视觉任务设备端SDK使用说明
        • 如何发布视觉任务设备端SDK
        • 视觉任务AndroidSDK集成文档
      • 公有云部署
        • 文字识别API参考文档
        • 视觉任务公有云部署
        • 物体检测API参考文档
        • 图像分类-单图单标签API参考文档
        • 实例分割API参考文档
        • 图像分类-单图多标签API参考文档
    • 表格预测模型部署
      • 整体说明
      • 公有云部署
    • 公有云部署管理
      • 配置AB测试版本
      • 批量预测服务
      • 公有云部署
      • 公有云部署简介
      • 配置休眠策略
    • NLP模型部署
      • 自然语言处理任务模型部署整体说明
      • 私有服务器部署
        • 如何部署在私有服务器
        • 私有服务API说明
          • 私有部署说明-短文本相似度
          • 私有化部署接口说明-文本分类
          • 私有部署文档-序列标注
          • 文本实体抽取API调用文档
      • 公有云部署
        • 短文本匹配API调用文档
        • 文本实体抽取私有API调用说明
        • 如何发布自然语言处理任务API
        • 文本分类-多标签API调用文档
        • 文本分类API调用文档
        • 序列标注API调用文档
  • 数据服务
    • 数据服务简介
    • 智能数据API
    • 公有云服务调用数据反馈
    • 智能标注
      • 文本智能标注介绍及原理说明
      • 图像智能标注介绍说明
    • 管理视觉数据
      • 实例分割数据导入与标注
        • 数据标注说明
        • 导入未标注数据
        • 导入已标注数据
      • 物体检测数据导入与标注
        • 物体检测数据标注说明
        • 物体检测导入未标注数据
        • 物体检测导入已标注数据
      • 图像分类数据导入与标注
        • 图像分类导入未标注数据
        • 图像分类导入已标注数据
        • 图像分类数据标注说明
    • 管理文本数据
      • 文本分类数据导入与标注
        • 文本分类数据标注说明
        • 文本分类数据导入与标注
        • 数据去重策略
      • 序列标注数据导入与标注
        • 序列标注标注说明
        • 序列标注数据导入
        • 数据去重策略
      • 文本实体抽取数据标注
        • 文本实体抽取数据标注
        • 文本实体抽取数据导入
        • 数据去重策略
      • 短文本匹配数据导入与标注
        • 短文本匹配数据导入与标注
        • 数据去重策略说明
        • 短文本匹配数据标注
  • 产品简介
    • BML平台升级公告
    • 平台重点升级介绍
    • 产品优势
    • 产品功能
    • 什么是BML
    • 文心大模型
  • 产品定价
    • 服务器部署价格说明
    • 专项适配硬件部署价格说明
    • 公有云部署计费说明
    • 批量预测计费说明
    • 模型训练计费说明
    • 通用小型设备部署价格说明
  • 模型训练
    • Notebook建模
      • 创建并启动Notebook
      • Notebook导入数据集
      • 保存Notebook中的模型
      • Notebook使用参考
      • 常见问题
      • 数据模型可视化功能说明
      • Notebook简介
      • 发布模型
      • 配置模型
      • 使用Notebook开发模型
      • 如何使用Notebook SSH 功能
      • Notebook从训练到部署快速入门
        • Codelab Notebook自定义环境部署最佳实践
        • 基于Notebook的图像分类模板使用指南
        • 基于 Notebook 的 NLP 通用模板使用指南
        • Notebook 模板使用指南概述
        • 基于 Notebook 的通用模板使用指南
        • 基于 Notebook 的物体检测模板使用指南
    • 自定义作业建模
      • 自定义作业简介
      • 训练作业API
      • 训练作业
        • 使用训练作业训练模型
        • 创建训练作业
        • 发布模型
        • 训练作业代码示例
          • TensorFlow 1.13.2
          • AIAK- Training Pytorch版
          • TensorFlow 2.3.0
          • Blackhole 1.0.0
          • Pytorch 1.7.1
          • Sklearn 0.23.2
          • XGBoost 1.3.1
          • PaddlePaddle 2.0.0rc
      • 自动搜索作业
        • 创建自动搜索作业
        • yaml文件编写规范
        • 自动搜索作业简介
        • 自动搜索作业代码编写规范
        • 自动搜索作业代码示例
          • XGBoost 1.3.1代码规范
          • TensorFlow 1.13.2代码规范
          • Sklearn 0.23.2代码规范
          • Pytorch 1.7.1代码规范
          • Tensorflow2.3.0代码规范
          • PaddlePaddle 2.1.1代码规范
    • 可视化建模
      • 快速入门
      • 概述
      • 组件菜单
        • 001-基本操作
        • 003-查看模型特征溯源
        • 007-组件状态
        • 008-组件资源配置
        • 006-组件列选择
        • 002-查看模型可解释性
        • 004-查看特征重要性
      • 组件说明
        • 015-图算法
        • 004-特征工程组件
        • 003-数据处理组件
        • 012-预测组件
        • 008-聚类算法
        • 009-Python算法组件
        • 002-数据集组件
        • 014-自然语言处理组件
        • 010-NLP算法
        • 016-统计分析组件
        • 006-回归算法
        • 007-异常检测算法
        • 013-模型评估组件
        • 005-分类算法
        • 018-时间序列组件
      • 画布操作说明
        • 005-AutoML(自动调参)
        • 002-开始训练
        • 001-概述
    • 预置模型调参建模
      • 预置模型调参简介
      • 神经网络训练搜索
      • 开发视觉模型
        • 视觉任务简介
        • 查看训练结果
        • 创建视觉任务
        • 配置视觉任务
        • 开发参考
          • 视觉预训练模型
          • 超参数配置参考
          • 评估报告参考
          • 自动超参搜索配置参考
          • 数据增强算子参考
          • 训练时长设置参考
          • 网络选型参考
      • 开发表格预测模型
        • 创建表格预测任务
        • 配置专家模式表格数据预测任务
        • 查看训练结果
        • 配置AUTOML模式表格数据预测任务
        • 表格预测任务简介
      • 开发文字识别模型
        • 文字识别任务简介
        • 文字识别任务操作流程
      • 开发自然语言处理模型
        • 查看训练结果
        • 自然语言处理任务简介
        • 配置NLP任务
        • 创建NLP任务
        • 代码模板升级及迁移说明
  • 文档中心
  • arrow
  • 全功能AI开发平台BML
  • arrow
  • 预测部署
  • arrow
  • 视觉模型部署
  • arrow
  • 智能边缘控制台-单节点版
本页目录
  • Release Note
  • 快速开始
  • Linux 安装
  • 以系统服务形式安装(推荐)
  • 自定义安装(不推荐)
  • Windows 安装
  • 功能使用说明
  • ①添加模型服务
  • 联网激活
  • 离线激活
  • ②添加摄像头
  • ③摄像头接入模型服务预测
  • ④本地事件
  • ⑤ 连接到智能边缘控制台-多节点版(IECC)
  • 配置项*
  • FAQ
  • 启动服务后,进程中出现两个easyedge-iec进程
  • 启动服务时,显示端口被占用port already been used
  • 安装服务时,报错permission denied
  • 中心节点重启后,边缘节点IEC 一直离线
  • IEC 是否有Android / iOS 版本
  • 添加SDK时,报错 SDK不支持该硬件。 SDK not supported by this device

智能边缘控制台-单节点版

更新时间:2025-08-21

EasyEdge 智能边缘控制台-单节点版 IEC

EasyEdge Intelligent Edge Console (以下简称IEC)是EasyEdge推出的边缘设备管理的本地化方案。可以运行于多种架构、多系统、多类型的终端之上。通过IEC,用户可以方便地在本地进行

  • EasyDL/BML/EasyEdge的SDK的 离线 / 在线激活,服务管理
  • 接入本地和远程摄像头,网页中实时预览
  • 自动监控和记录相关事件
  • 硬件信息的可视化查看

支持的系统+CPU架构包括:

  • Windows x86_64 (Windows 7 ~ Windows 10,暂不支持Windows 11)
  • Linux x86_64 / arm32 / arm64

支持各类常见的AI加速芯片,包括:

  • NVIDIA GPU / Jetson 系列
  • Baidu EdgeBoard FZ系列
  • 比特大陆 Bitmain SC / SE 系列
  • 华为 Atlas 系列
  • 寒武纪 MLU 系列
  • 其他EasyDL/EasyEdge/BML支持的AI芯片

完整列表可参考这里

Release Note

注意:2.0.0之后,默认以系统服务形式安装iec,无法兼容1.x版本的iec

版本号 发布时间 更新说明
2.2.0 2022-10-27 新增onvif/gb28181支持;完善端云通信逻辑
2.0.0 2022-03-22 支持连接中心节点IECC;支持以系统服务安装
1.0.2 2021-12-22 更新视频预览推流库;新增若干AI芯片支持;支持多种芯片温度、功耗展示;多项性能优化
1.0.0 2021-09-16 IEC 第一版!

快速开始

从这里选择您需要的操作系统和CPU架构下载:

  • Windows amd64 : intel、AMD的64位x86_84 CPU
  • Linux amd64 : intel、AMD的64位x86_84 CPU
  • Linux arm : 树莓派等32位的ARM CPU
  • Linux arm64 : RK3399、飞腾等64位的ARM CPU

或者从纯离线服务管理页可下载智能边缘控制台

bj-55a73878f01d0670ff399c52b46eaef2619de45e (1).png

您也可以通过先安装多节点版本IECC,通过中心节点来自动连接安装边缘节点。

Linux 安装

解压缩之后,目录结构如下

Plain Text
10 EasyEdge-IEC-v2.0.0-linux-amd64 > tree .
2.
3├── easyedge-iec
4├── easyedge-iec-setup.sh
5├── etc
6│   ├── easyedge-iec.service-conf.init.d
7│   ├── easyedge-iec.service-conf.systemd
8│   ├── easyedge-iec.service-conf.upstart
9│   ├── easyedge-iec.service.yml
10│   └── easyedge-iec.yml
11└── readme.txt
12
131 directory, 8 files

以系统服务形式安装(推荐)

以root用户运行./easyedge-iec-setup.sh install 即可

Plain Text
1[setup]: sudo could not be found
2[setup]: Start to install IEC...
3[setup]: +  bash -c "cp easyedge-iec /usr/sbin/easyedge-iec"
4[setup]: +  bash -c "chmod +x /usr/sbin/easyedge-iec"
5[setup]: +  bash -c "cp etc/easyedge-iec.service.yml /etc/easyedge-iec/easyedge-iec.yml"
6[setup]: +  bash -c "cp etc/easyedge-iec.service-conf.init.d /etc/init.d/easyedge-iec"
7[setup]: +  bash -c "chmod +x /etc/init.d/easyedge-iec"
8[setup]: Install IEC success!
9[setup]: +  bash -c "service easyedge-iec start"
10Starting easyedge-iec: success
11[setup]: Start to check IEC status...
12[setup]: +  bash -c "curl -s 127.0.0.1:8702 >/dev/null"
13[setup]: IEC status: OK!
14[easyedge-iec]: default configure file: /etc/easyedge-iec/easyedge-iec.yml
15[easyedge-iec]: default log file: /var/log/easyedge-iec/easyedge-iec.log
16[easyedge-iec]: service usage: service easyedge-iec { start | stop }
17[setup]: Done!
  • 日志: /var/log/easyedge-iec/easyedge-iec.log
  • 系统配置:/etc/easyedge-iec/easyedge-iec.yml
  • 服务启动/停止:service easyedge-iec { start | stop } (不同操作系统内可能不同,具体命令参考安装日志)

自定义安装(不推荐)

自定义安装方法仅限于 安装脚本无法识别的情况。

  • 拷贝 ./EasyEdge-IEC-v2.0.0/ 整个目录至自定义文件夹,如/opt/EasyEdge-IEC
  • 进入到 /opt/EasyEdge-IEC
  • 通过 nohup 等方法运行 ./easyedge-iec-linux-{您的系统架构} amd64: intel、AMD的64位x86_84 CPU arm:树莓派等32位的ARM CPU * arm64:RK3399、飞腾等64位的ARM CPU
  • 日志: ./log/easyedge-iec.log
  • 系统配置:./easyedge-iec.yml

Windows 安装

解压缩之后,安装目录如下所示:

Plain Text
10 tmp2 > tree EasyEdge-IEC-v2.0.0-windows-amd64
2EasyEdge-IEC-v2.0.0-windows-amd64
3├── easyedge-iec.exe
4├── easyedge-iec-setup.bat
5├── etc
6│   └── easyedge-iec.yml
7└── readme.txt
8
91 directory, 4 files

打开命令行(非powershell)运行 easyedge-iec-setup.bat install。

如果遇到hang住的情况,可修改命令行配置 启动之后,打开浏览器,访问 http://{设备ip}:8702/easyedge/iec 即可: 1.png 2.png

启动之后,打开浏览器,访问 http://{设备ip}:8702/easyedge 即可:

bj-13a30d19bcb264178de22eebec0936ec2ce2f49e.png

默认用户名密码为 admin / easyedge

bj-15129fb03a6e806a351c0088d2fe4c5e4b726c16.png

功能使用说明

①添加模型服务

首先,点击导航栏的「本地模型服务」-「添加模型服务」。在页面中定义服务名称后,将已经下载好的Linux/Windows版本的SDK与IEC关联。关联完毕后可按两种激活方式,激活使用SDK。 bj-8d1b4c05185bbfaeb1dde6fdf2dc747df7f4f380.png

部分SDK需要提前安装系统依赖,如TRT等,具体请参考EasyDL/BML/EasyEdge SDK使用文件中的环境依赖安装说明

联网激活

  1. 在关联SDK完成后,需要在百度智能云控制台对应部署方式管理页中新增测试序列号或购买正式序列号。(图中以服务器版SDK为例) bj-3890e246ef7bf5114bef5696878cdc4ba8b72153.png
  2. 再在IEC中填入所申请的序列号 bj-b5347299695da397e487cbbdd4881ad73972806b.png
  3. 配置服务,在服务端口不冲突占用的情况下,使用默认即可
  4. 添加并激活

离线激活

  1. 在IEC总览页面下载「指纹文件」 image.png
  2. 在百度智能云的控制台中找到SDK对应的管理列表,图中以服务器SDK为例。申请序列号后,点击对应序列号尾部的「离线激活」操作,按指引激活 image.png
  3. 在IEC的添加模型服务页面,上传下载好的授权文件,完成激活 image.png

激活完成后即可在「模型服务管理」列表中启动服务,使用后续的操作栏功能。

体验本地demo

点击「本地demo体验」即可在立即上传图片进行预测 bj-0e54a7bf9db49bb850104e26a7816167778d97e8.png

接入摄像头

使用接入摄像头功能首先需要添加摄像头,请参考第②步,完成后按照第③步操作 注:服务启动后也可参考「模型发布」模块的技术文档进行开发使用,本文档主要介绍IEC使用功能 bj-dfa114b280b6027fa996822918661ccd40b92c21.png

②添加摄像头

导航栏点击「我的摄像头」-「添加摄像头」,定义摄像头名称、备注后即可添加摄像头。支持本地摄像头和网络摄像头。 摄像头添加成功后即可设置摄像头的运行时间和频率 bj-03bb348d5a3f7eae75bb2c10399cb12d05dfc7b4.png

③摄像头接入模型服务预测

点击「本地模型服务」-「模型服务管理」中,所需接入预测的服务的「接入摄像头」 bj-febaa3c80c76ea21426d8c2e53e2ae238bfdbd23.png 在弹出的弹窗中选择第②步中添加的摄像头,此时点击确认即可在「摄像头管理」中的实时预览功能中查看摄像头预测结果,识别结果默认不保存。如需保存识别结果,可设置对应的「本地事件触发条件」,根据标签和置信度,将识别结果保存至本地事件记录当中。设置多个标签条件时,IEC会以“或“的逻辑来将所有满足条件的识别结果保存 bj-4d94bb6f194dae02c10a8b2b6e87c47b2e2d1bfb.png

④本地事件

点击导航栏「本地事件记录」,可通过服务名称、摄像头名称、事件记录的时间、标签及置信度来筛选识别结果查看,多个标签及置信度同样也是“或"的逻辑记录。如有想要删除的事件数据可选择后删除,全选为本页全选。 bj-32c5de3e4c6c1c47d001c2db68c7ddd2f3e81a4a.png

⑤ 连接到智能边缘控制台-多节点版(IECC)

与中心节点连接之后,边缘节点主程序版本会自动随控制中心版本升级。(>2.0.0)

  • Step 1 在IECC中添加边缘节点,选择「边缘节点已安装IEC」,并记录IP地址与Token

image.png

  • Step 2 在IEC的系统设置中打开多节点模式,并填入刚才记录的IP地址与Token,点击建立连接

image.png

  • 连接完成后即可在中心节点IECC去监控/管理/应用在边缘节点上的IEC

配置项*

配置文件etc/easyedge-iec.yml中有关于IEC的各项配置说明,一般无需修改,请确保理解配置项含义之后,再做修改。

YAML
1# IEC系统配置
2# ----------- 高级配置一般无需修改 ------------
3#  !!!注意!!! 请确保理解配置项含义后再做修改
4version: 3
5
6com:
7  # hub: 作为中心节点模式启动。  edge: 作为子节点启动
8  # role: edge
9  # 硬件利用率刷新时间间隔: 过低的刷新间隔可能会消耗CPU资源。
10  hardwareUsageRefreshSecond: 60
11  # 事件监测触发扫描周期
12  eventTriggerIntervalSecond: 10
13  # IEC保存SDK等资源的路径:可填写 "default", 也可以直接填写绝对路径
14  appDataFolder: default
15  # 是否开启DEBUG模式:开启之后,将会打印大量日志,便于追踪系统问题
16  debug: no
17  # 是否需要用户名/密码登陆,强烈建议打开!(默认用户名/密码为 admin/easyedge)
18  loginEnabled: yes
19  # 登录有效时间,单位秒
20  sessionMaxAge: 3600
21
22logging:
23  # 是否把日志打印到控制台
24  toStd: no
25  # 是否把日志输出到文件。关闭后,将无法在页面中正确显示系统日志
26  toFile: yes
27  loggingFile: /var/log/easyedge-iec/easyedge-iec.log
28  # 0:info;   -1:debug;   -2:verbose
29  level: -1
30
31webservice:
32  # WEB服务的监听端口
33  listenPort: 8702
34  listenHost: 0.0.0.0
35
36sdk:
37  # GPU SDK所使用的cuda版本:9 / 10 / 10.2 / 11.0 / 11.1。请安装完cuda之后,这设置正确的版本号。
38  cudaVersion: 10.2
39  # AI服务启动时,额外配置的 LD_LIBRARY_PATH(linux) 或者 PATH(windows)
40  libPath: ./
41  # AI服务启动时,额外配置的其他环境变量。
42  ENVs:
43    EDGE_CONTROLLER_KEY_LOG_BRAND: EasyEdge
44#    EDGE_CONTROLLER_KEY_XXX: XXXX
45
46commu:
47  # 普通消息等待respond的超时时间
48  respondWaitTimeoutSecond: 2
49
50# 数据库相关配置
51db:
52  sqliteDbFile: /var/lib/easyedge-iec/easyedge-iec.db
53  hubDbFile: /var/lib/easyedge-iec/easyedge-iec.hub.db
54  eventDbFile: /var/lib/easyedge-iec/easyedge-event.db
55  fileServerDbFile: /var/lib/easyedge-iec/easyedge-fileserver.hub.db
56  nodeMonitorDbFile: /var/lib/easyedge-iec/easyedge-nodemonitor.hub.db
57
58# 推流相关配置
59mediaserver:
60  flvPort: 8715
61  rtmpPort: 8716
62
63# 视频流相关配置
64edgestream:
65  logLevel: -1
66  listenHost: 127.0.0.1
67  listenPort: 8710
68  # 摄像头预览:识别结果绘制延迟消失
69  renderExtendFrames: 10
70  # 预测队列大小: 如果设置为60,当摄像头fps=30时,视频延迟约为2秒。  降低inferenceQueueSize可以降低预览延迟,但是根据硬件的算力情况,可能导致模型推理速度跟不上,没有识别结果,不建议设置太低
71  inferenceQueueSize: 60
72  videoEncodeBitRate: 400000
73  # 视频采样 & 视频实时预览分辨率设置
74  # 0: auto, 1: 1080p, 2: 720p, 3: 480p, 4: 360p,  5: 240p
75  resolution: 0
76  # 内置多媒体服务配置
77  # port设为0表示关闭
78  mediaServerHost: 127.0.0.1
79  mediaServerFlvPort: 8713
80  mediaServerRtmpPort: 8714
81  mediaServerRtspPort: 0

FAQ

启动服务后,进程中出现两个easyedge-iec进程

这是正常现象,IEC通过守护进程的方式来完成更新等操作。

启动服务时,显示端口被占用port already been used

通过修改 easyedge-iecc.yml文件的配置后,再重新启动服务。

安装服务时,报错permission denied

请以管理员身份运行安装程序。

中心节点重启后,边缘节点IEC 一直离线

中心节点短时间的离线,边缘节点会自动重连。如果中心节点已经恢复在线,边缘节点长时间未自动连接上,可通过边缘节点iec的方法来重新连接(右上角 admin - 重启系统)

IEC 是否有Android / iOS 版本

我们将会在近期发布对Android操作系统的支持

添加SDK时,报错 SDK不支持该硬件。 SDK not supported by this device

一般是因为使用的SDK跟硬件不匹配,如 GPU的SDK,硬件没有GPU卡。 对于Jetson,也可能是Jetpack版本不支持,可以通过查看 本机Jetpack版本和SDK支持的Jetpack版本列表(cpp文件中的文件名来查看)来匹配。

上一篇
端云协同服务部署
下一篇
视觉任务模型部署整体说明