AI病虫害识别配置：零基础搭建图像识别服务
AI病虫害识别配置的核心是把训练好的图像分类模型封装成可调用的HTTP服务，让前端或移动端上传图片后返回病虫害类别和置信度。
本文以Linux服务器和Python技术栈为例，按零基础可操作的方式讲清环境准备、服务部署、接口调用和验证方法。
适用场景与前置条件
这套配置适合已有模型文件（如.pt、.onnx或.h5格式）或使用开源模型的情况，目标是在自有服务器上提供识别接口。
需要准备：一台可联网的Linux服务器（Ubuntu 20.04/22.04或CentOS 7+），Python 3.8以上版本，至少2GB内存（模型较大时建议4GB以上），以及一个可用的域名或IP。
如果模型需要GPU推理，还需安装对应版本的CUDA驱动，本文以CPU推理为例。
环境准备与依赖安装
先更新系统包并安装Python虚拟环境工具。
以Ubuntu为例：
sudo apt update
sudo apt install -y python3 python3-pip python3-venv创建项目目录并激活虚拟环境：
mkdir -p /opt/ai-pest && cd /opt/ai-pest
python3 -m venv venv
source venv/bin/activate安装FastAPI、Uvicorn和图像处理库。
如果使用PyTorch模型，根据官方命令安装对应版本，这里以CPU版为例：
pip install fastapi uvicorn pillow numpy
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu安装完成后用pip list确认关键包已存在。
部署识别服务与接口配置
将模型文件放入/opt/ai-pest/models/目录，假设文件名为pest_model.pt。
新建main.py，写入一个最小可用的识别接口：
from fastapi import FastAPI, File, UploadFile
from PIL import Image
import torch
import io
app = FastAPI()
model = torch.jit.load("models/pest_model.pt", map_location="cpu")
model.eval()
CLASSES = ["健康", "稻瘟病", "蚜虫", "白粉病"] # 按实际模型类别修改
@app.post("/predict")
async def predict(file: UploadFile = File(...)):
img = Image.open(io.BytesIO(await file.read())).convert("RGB").resize((224, 224))
tensor = torch.from_numpy(np.array(img)).permute(2, 0, 1).float().unsqueeze(0) / 255.0
with torch.no_grad():
output = model(tensor)
prob = torch.softmax(output, dim=1)
conf, idx = torch.max(prob, 1)
return {"class": CLASSES[idx.item()], "confidence": round(conf.item(), 4)}保存后启动服务：
uvicorn main:app --host 0.0.0.0 --port 8000看到Application startup complete即表示服务已运行。
生产环境建议用nohup或systemd托管，避免终端关闭后服务停止。
反向代理与安全加固
直接暴露8000端口不安全，建议用Nginx做反向代理并限制请求大小。
在宝塔面板中新建站点后，修改站点配置，加入：
location /predict {
proxy_pass http://127.0.0.1:8000/predict;
client_max_body_size 5m;
proxy_set_header Host $host;
}保存后重载Nginx：nginx -t && nginx -s reload。
如果使用云服务器安全组，只放行80和443端口，关闭8000公网访问。
验证接口与常见报错处理
用curl上传一张测试图片：
curl -X POST -F "file=@test.jpg" http://你的域名/predict预期返回类似{"class":"稻瘟病","confidence":0.92}的JSON。
如果返回502，检查Uvicorn是否在运行、端口是否一致；
返回413说明图片超过client_max_body_size限制；
返回500时查看Uvicorn日志，常见原因是模型路径错误或输入尺寸与模型不匹配。
首次调用较慢属于正常现象，模型加载需要时间。
避坑提醒
模型文件路径要使用绝对路径或确认工作目录正确，否则torch.jit.load会报找不到文件。
输入图片必须统一尺寸和通道数，训练时用的预处理方式（如归一化参数）要与推理代码保持一致。
不要用root用户直接运行服务，建议创建专用系统用户。
修改配置后先nginx -t检查语法再重载，避免站点不可用。
按照以上步骤完成AI病虫害识别配置后，建议先用少量真实图片测试识别准确率，再根据业务量调整服务并发参数。
如果后续需要提升吞吐，可考虑使用Gunicorn多worker或GPU推理，但需同步调整Nginx超时设置。
