AI农产品分级配置：从零搭建可运行的自动分级流程

AI农产品分级配置的核心，是把训练好的视觉模型接入摄像头或图片输入，再通过服务端程序输出等级结果。
本文按零基础可执行的方式，讲清在 Linux 服务器上准备环境、配置模型、启动服务和验证效果的过程，适合想自建分级流程的读者参考。

先确认你的服务器和输入设备

开始前，需要一台能运行 Python 的 Linux 服务器（Ubuntu 20.04 及以上或 CentOS 7 以上均可），以及一个可用的摄像头或一批待分级的图片。
建议先用图片跑通流程，再接实时摄像头，能少走很多弯路。

检查基础环境：

uname -a
python3 --version
free -h
df -h

如果 python3 版本低于 3.8，先升级。
内存建议不低于 4GB，因为视觉模型推理比较吃内存。
磁盘至少留出 10GB 放模型和样本图片。

安装 Docker 和 Docker Compose（推荐用容器方式隔离依赖）：

sudo apt update
sudo apt install -y docker.io docker-compose
sudo systemctl enable docker
sudo systemctl start docker

验证 Docker 可用：

docker --version
docker-compose --version

配置模型与分级规则

把模型文件放到项目目录的 models/ 下，例如 models/grade_model.onnx。
分级规则通常写在 config.yaml 里，包括等级阈值和类别名称。
下面是一个示例配置片段：

model:
  path: models/grade_model.onnx
  input_size: 640
  confidence_threshold: 0.45

grading:
  classes:
    - name: A
      min_score: 0.85
    - name: B
      min_score: 0.65
    - name: C
      min_score: 0.0

input:
  source: images
  image_dir: samples/

这里 confidence_threshold 控制模型最低置信度，低于该值的检测结果会被丢弃；min_score 是分级阈值，按你的业务标准调整。
配置改完后，先跑单张图片测试：

python3 infer.py --image samples/test.jpg --config config.yaml

如果终端输出等级和置信度，说明模型加载和配置解析正常。

启动服务并接入图片或摄像头

用 Docker Compose 启动服务，可以避免手动安装依赖。
在项目根目录创建 docker-compose.yml：

version: "3.8"
services:
  grader:
    build: .
    volumes:
      - ./models:/app/models
      - ./samples:/app/samples
      - ./config.yaml:/app/config.yaml
    ports:
      - "8000:8000"
    command: python3 app.py --config config.yaml

构建并启动：

docker-compose up -d --build
docker-compose logs -f grader

日志中出现 Listening on 0.0.0.0:8000 后，用浏览器或 curl 请求接口验证：

curl -X POST http://127.0.0.1:8000/grade -F "file=@samples/test.jpg"

返回 JSON 中包含 grade 和 score 字段，说明分级服务已经跑通。
要接摄像头，把 config.yaml 里的 source 改成 camera，并填写设备号（如 device: 0），重启容器即可。

容易踩坑的几个地方

• 模型路径写错：容器内路径和宿主机不同，配置里必须写容器内路径，如 /app/models/grade_model.onnx。
• 摄像头权限不足：Linux 下需要把用户加入 video 组，或给容器加 devices: - /dev/video0 映射。
• 分级结果全为同一等级：先检查阈值是否设置过宽，再确认输入图片尺寸是否和模型训练时一致。
• 端口被占用：docker-compose logs 会提示 address already in use，改 ports 左侧的宿主机端口即可。

验证分级效果是否稳定

准备 20 张以上不同光照、不同大小的样本图片，批量请求接口并记录结果：

for f in samples/*.jpg; do
  curl -s -X POST http://127.0.0.1:8000/grade -F "file=@$f"
done

观察同一等级内的图片是否一致，以及低置信度结果是否被正确过滤。
如果误判集中出现在某类样本，优先检查该类样本的拍摄角度和背景，再考虑调整 confidence_threshold。
验证通过后，再逐步接入实时视频流，避免一开始就把问题混在一起。

常见疑问

分级服务一定要用 Docker 吗？
不是必须，但 Docker 能固定 Python 和依赖版本，减少环境差异导致的报错，对新手更省心。

模型文件从哪里来？
本文只讲部署配置，不提供模型。你需要使用自己训练或已授权的模型文件，并确认输入尺寸和类别与配置一致。

调整阈值后需要重启吗？
如果程序在启动时加载配置，就需要重启容器；部分框架支持热加载，以你使用的程序实现为准。

按以上步骤走完，AI农产品分级配置基本可以稳定运行。
遇到异常时，先看容器日志和接口返回，再回查配置路径与阈值，通常能快速定位问题。