基于 ModelArts 的 ResNet50 图像分类:从训练作业到在线推理部署

举报
yd_259625967 发表于 2026/11/16 08:46:59 2026/11/16
【摘要】 用华为云 ModelArts 走一遍经典 CNN 训练到在线服务的完整链路:作业编排、训练、模型导出与在线推理端点部署。从"有模型代码"到"有线上服务",ModelArts 把中间链路托管了。本文以 ResNet50 图像分类为例走一遍。第一步:训练作业。 写训练脚本(PyTorch),提交为 ModelArts 训练作业:指定镜像(PyTorch 官方)、挂载 OBS 数据集、配 GPU(...

用华为云 ModelArts 走一遍经典 CNN 训练到在线服务的完整链路:作业编排、训练、模型导出与在线推理端点部署。

从"有模型代码"到"有线上服务",ModelArts 把中间链路托管了。本文以 ResNet50 图像分类为例走一遍。

第一步:训练作业。 写训练脚本(PyTorch),提交为 ModelArts 训练作业:指定镜像(PyTorch 官方)、挂载 OBS 数据集、配 GPU(按需 1 卡起)。作业跑完产出 .ckpt 存 OBS:

# 训练脚本核心
model = resnet50(pretrained=False)
# 训练... 保存到 OBS
torch.save(model.state_dict(), "/mnt/obs/model/resnet50.ckpt")

第二步:模型导出。 在线推理要可加载的格式。用 torch.jit 或 ONNX 导出,配个 run.sh 起推理服务。

第三步:部署在线推理端点。 ModelArts 控制台创建"在线推理",选模型文件 + 镜像(含推理代码 main.py 暴露 8080)+ 配规格。部署完给你一个内网/公网 endpoint,curl 传图即得分类结果:

# main.py 推理服务
from fastapi import FastAPI, UploadFile
app = FastAPI()
model = load()
@app.post("/predict")
async def predict(file: UploadFile):
    img = preprocess(await file.read())
    return {"class": predict_class(model, img)}

验证: 调 endpoint 传测试图,比对标签和置信度。想压测就在前面挂 API 网关 / ELB。

经验: 训练调参(学习率、批大小、增强)比"跑通"更重要;用 ModelArts 的可视分析看 loss 曲线收敛。线上记得配监控(QPS、延迟、GPU 利用率)和自动伸缩,否则流量一高就崩。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。