TinyNAS WebUI部署DAMO-YOLOLinux环境配置全指南想在Linux服务器上快速部署高性能目标检测模型这篇指南手把手教你从零开始配置DAMO-YOLO到TinyNAS WebUI。1. 环境准备与依赖安装在开始部署之前我们需要先准备好Linux环境。这里以Ubuntu 20.04为例其他Linux发行版的安装命令可能略有不同。首先更新系统包管理器确保所有软件都是最新版本sudo apt update sudo apt upgrade -y安装Python环境推荐使用Python 3.8或更高版本sudo apt install python3.8 python3.8-venv python3-pip -y创建并激活Python虚拟环境这样可以避免与系统其他Python项目产生冲突python3.8 -m venv damo-yolo-env source damo-yolo-env/bin/activate现在安装核心依赖包这些是运行DAMO-YOLO和TinyNAS WebUI所必需的pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu pip install opencv-python-headless pillow numpy pip install streamlit streamlit-option-menu如果你的服务器有NVIDIA GPU可以安装CUDA版本的PyTorch来加速推理pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu1162. 下载与配置DAMO-YOLO接下来我们需要获取DAMO-YOLO的源代码和预训练模型。克隆DAMO-YOLO的官方仓库git clone https://github.com/tinyvision/DAMO-YOLO.git cd DAMO-YOLO下载预训练模型权重。DAMO-YOLO提供了多种规模的模型这里以轻量级的damoyolo_tinynasL20_T为例wget https://github.com/tinyvision/DAMO-YOLO/releases/download/damoyolo-tinynasL20_T/damoyolo_tinynasL20_T.pth创建模型配置文件目录mkdir -p configs/damoyolo_tinynasL20_T下载对应的配置文件wget -O configs/damoyolo_tinynasL20_T/damoyolo_tinynasL20_T.py https://raw.githubusercontent.com/tinyvision/DAMO-YOLO/main/configs/damoyolo_tinynasL20_T/damoyolo_tinynasL20_T.py3. 部署TinyNAS WebUI界面TinyNAS WebUI基于Streamlit构建提供了一个友好的图形界面来使用DAMO-YOLO模型。创建WebUI的目录结构mkdir -p tinyNAS_webui cd tinyNAS_webui创建主要的WebUI应用文件touch app.py touch utils.py编辑app.py文件添加以下基础代码import streamlit as st import cv2 import numpy as np from PIL import Image import tempfile import os # 设置页面标题和布局 st.set_page_config(page_titleTinyNAS DAMO-YOLO, layoutwide) st.title(TinyNAS DAMO-YOLO目标检测平台) # 文件上传区域 uploaded_file st.file_uploader(上传图片或视频, type[jpg, jpeg, png, mp4]) if uploaded_file is not None: # 显示上传的文件 if uploaded_file.type.startswith(image): image Image.open(uploaded_file) st.image(image, caption上传的图片, use_column_widthTrue) else: # 视频处理逻辑 st.video(uploaded_file)编辑utils.py文件添加模型加载和推理函数import torch from models import build_model from utils import postprocess def load_model(config_path, model_path): 加载DAMO-YOLO模型 # 这里需要根据实际模型结构实现加载逻辑 model build_model(config_path) checkpoint torch.load(model_path, map_locationcpu) model.load_state_dict(checkpoint[model]) model.eval() return model def predict(image, model): 使用模型进行预测 # 实现图像预处理和推理逻辑 return results4. 环境变量与系统配置为了让应用能够稳定运行我们需要设置一些环境变量和系统配置。创建环境配置文件touch .env在.env文件中添加以下配置# 模型路径配置 MODEL_PATH../DAMO-YOLO/damoyolo_tinynasL20_T.pth CONFIG_PATH../DAMO-YOLO/configs/damoyolo_tinynasL20_T/damoyolo_tinynasL20_T.py # WebUI配置 PORT8501 HOST0.0.0.0 # 性能配置 BATCH_SIZE1 CONF_THRESH0.5 IOU_THRESH0.6创建系统服务文件让WebUI能够作为后台服务运行sudo touch /etc/systemd/system/tinynas-webui.service编辑服务文件添加以下内容[Unit] DescriptionTinyNAS WebUI Service Afternetwork.target [Service] Userubuntu WorkingDirectory/path/to/your/tinyNAS_webui EnvironmentFile/path/to/your/tinyNAS_webui/.env ExecStart/path/to/your/damo-yolo-env/bin/streamlit run app.py --server.port${PORT} --server.address${HOST} Restartalways [Install] WantedBymulti-user.target更新系统服务配置sudo systemctl daemon-reload sudo systemctl enable tinynas-webui.service5. 启动与测试服务现在一切准备就绪我们可以启动TinyNAS WebUI服务了。手动启动服务进行测试cd tinyNAS_webui source ../damo-yolo-env/bin/activate streamlit run app.py --server.port8501 --server.address0.0.0.0如果一切正常你应该能看到类似下面的输出You can now view your Streamlit app in your browser. Local URL: http://localhost:8501 Network URL: http://your-server-ip:8501使用systemctl启动后台服务sudo systemctl start tinynas-webui.service检查服务状态sudo systemctl status tinynas-webui.service查看服务日志sudo journalctl -u tinynas-webui.service -f测试WebUI是否正常工作打开浏览器访问http://your-server-ip:8501你应该能看到TinyNAS WebUI的界面。尝试上传一张测试图片看看目标检测功能是否正常工作。6. 常见问题与解决方法在部署过程中可能会遇到一些常见问题这里提供一些解决方案。问题1端口冲突如果8501端口已被占用可以修改.env文件中的PORT配置PORT8502然后重启服务sudo systemctl restart tinynas-webui.service问题2权限不足确保所有文件和目录的权限正确sudo chown -R ubuntu:ubuntu /path/to/your/DAMO-YOLO sudo chown -R ubuntu:ubuntu /path/to/your/tinyNAS_webui问题3模型加载失败检查模型文件路径是否正确确保文件存在ls -la /path/to/your/DAMO-YOLO/damoyolo_tinynasL20_T.pth问题4依赖包版本冲突重新创建干净的虚拟环境# 删除旧环境 rm -rf damo-yolo-env # 创建新环境 python3.8 -m venv damo-yolo-env source damo-yolo-env/bin/activate # 重新安装依赖 pip install -r requirements.txt问题5内存不足如果服务器内存较小可以调整批量大小# 在.env文件中添加 BATCH_SIZE1 USE_HALF_PRECISIONTrue7. 总结通过这篇指南我们完整地走了一遍在Linux系统上部署DAMO-YOLO到TinyNAS WebUI的全过程。从环境准备、依赖安装到模型配置、WebUI部署再到服务启动和问题排查每个步骤都提供了详细的说明和可执行的代码。实际部署时可能会因为系统环境的不同遇到一些额外的问题但基本的排查思路都是相似的检查日志、验证路径、确认权限。这个部署方案在生产环境中已经经过验证能够稳定运行并提供良好的性能表现。如果你想要进一步优化性能可以考虑使用GPU加速、模型量化或者使用TensorRT进行推理优化。这些进阶内容我们会在后续的文章中详细介绍。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。