自进化智能监控系统 with ModelArts：从“误报烦人”到“系统自己变聪明”的进化之路

起因：一个“戴没戴口罩”的小问题，牵出一堆大麻烦

客户厂区是制药洁净区，要求非常严格：口罩、帽子、手套、工服，缺一不可。原本装了不少摄像头，想着用传统视频监控+人工巡查来管控。

结果呢？

人工巡查太慢，漏掉了不少违规；

视频回看太费时间，几百个小时没人愿意翻；

想用AI识别，但按我们之前的经验结果误报一堆，戴了口罩也报警，闹个不停，搞得员工天天申诉。按之前的简单的AI识别模式没法用在生产环境。

痛点到底在哪？

我们不是没试过AI，但问题太多：

误报太多：浅色口罩、侧脸、反光，模型一律判“未戴”。

行为识别难：抽烟、玩手机、坐着、躺着……不是静态图能搞定的。

摄像头角度不同：同一个人，正面看像戴了，侧面看像没戴。

数据不能乱传：洁净区视频不能上传云端，隐私和合规压力大。

环境变化快：白天光线强，晚上偏暗，模型一到夜里就“瞎了”。

解决思路：边云协同 + 轻训练 + 联合决策

我们重新设计了整个系统架构，分三层：

端侧（摄像头附近的小设备）

用廉价芯片（RK3566、Movidius）跑轻量 YOLO 模型。

只做初步识别，比如“有没有人”、“有没有戴口罩”。

不传视频，只上传结构化事件（比如“疑似未戴口罩”）。

边缘侧（厂区内的昇腾310设备）

跑更强的模型（YOLOv5s、ResNet、TSM），做稳判。

加入时间窗机制，只有“持续违规”才报警，防止误报。

多个摄像头一起投票，避免角度误判。

夜间做轻训练，系统自己学习现场数据，变得更聪明。

云端（ModelArts平台）

汇总各边缘设备的训练成果，做联邦聚合和知识蒸馏。

每周产出一个“周版本”模型，灰度下发到边缘。

用 AOM 平台监控模型效果，指标不达标自动回滚。

系统怎么“自己变聪明”？

举个例子：

白天系统发现浅色口罩经常被误判。

晚上边缘设备自动收集这些片段，生成伪标签。

用这些伪标签做轻训练，只微调口罩分类头。

第二天模型更新，浅色口罩识别准确率提升30%。

我们叫它“边缘轻训练”，不需要人工标注，不需要上传视频，系统自己搞定。

为什么我们选了 ModelArts，而不是自己搭平台？

这个系统是不是很复杂啊？
其实没有，我们用的是华为云的 ModelArts，它帮我们省了不少事，尤其是在训练、部署、管理这几块。

一键训练，省掉环境搭建的麻烦

以前我们自己搭训练环境，要装驱动、配显卡、调框架，光是搞定分布式训练就能折腾好几天。
ModelArts直接选框架（PyTorch、TensorFlow、MindSpore），选算力（GPU/昇腾），点一下就能跑，还支持断点续训和自动调参。
节省了至少两周的环境搭建时间。

模型部署不用写脚本，直接推到边缘

我们边缘设备用的是昇腾310，部署模型本来要自己转格式、写适配脚本。
ModelArts训练完直接部署为在线推理服务，配合 IEF 平台一键下发到边缘设备，版本回滚也自动支持。
每个模型部署周期至少节省3–5天。

模型版本和指标自动管理

以前我们靠文件夹命名来管模型版本，指标靠人工记录，回滚靠手动替换，容易出错。
ModelArts每次训练自动生成版本记录，还能配合 AOM 平台实时监控推理效果，模型用了多久、在哪些设备上跑，一目了然。
降低了大量人工管理成本，系统更稳定。

总的来说，ModelArts就像一个“AI工具箱”，把训练、部署、版本管理、监控都打包好了。我们只需要专注在业务逻辑和模型设计上，其他的都交给平台来搞定。

最后谈谈

该架构思考源自于几年前的一个项目，当时我们获得了一个社区智慧安防大单，相当于龙华区那么大，对资产相当敏感的老板就来了个想法，AI能力源自于数据，数据本身也是非常重要的资产，但社区和个人的隐私数据也是敏感的，如何在合规情况下利用脱敏数据通过项目去进化自己的能力。当时的做法还是相对粗暴的把特征值提交到云端训练，但老板的这个想法一直在我脑海潜伏，经过几年的发展，关于AI的架构也完善不少，所以利用现在能力做一次翻盘吧。

AI不是万能的，但架构设计能让它“用得其所”。我们不是靠烧钱堆模型，而是靠合理分工、边云协同、持续学习，让系统真正落地、稳定、可持续。

如果你也在做类似的项目，记住一句话：

“别让AI替你思考，要让它跟你一起成长。”