方案获取流程 Step 1:在BML训练专项适配硬件的图像分类/物体检测模型,迭代模型至效果满足业务需求 Step 2:发布模型时选择专项适配硬件的专用SDK,并在 AI市场 购买方案 Step 3:获得硬件和用于激活专用SDK的专用序列号,参考文档集成后,即可实现离线AI预测 如有其他硬件方案需求,欢迎 提交工单 咨询。
流控等安全机制,GPU集群稳定承载高并发请求 支持查找云端模型识别错误的数据,纠正结果并将其加入模型迭代的训练集,不断优化模型效果 私有服务器部署 可将训练完成的模型部署在私有CPU/GPU服务器上,支持私有API和服务器端SDK两种集成方式,可在内网/无网环境下使用模型,确保数据隐私 私有API:将模型以Docker形式在本地服务器(仅支持Linux)上部署为http服务,可调用与公有云API功能相同的接口
通过 VideoConfig 结构体可以控制视频/摄像头的解析策略、抽帧策略、分辨率调整、结果视频存储等功能。对于抽取到的视频帧可以直接作为SDK infer 接口的参数进行预测。
模型支持版本管理功能,在保存时可以生成新版本也可以覆盖已有的且尚未部署的模型版本,每个版本的模型都可以独立部署。每个模型版本中保存的模型文件大小上限为1.5GB。 在保存模式时也可以将训练模型的代码一并保存。代码支持版本管理功能,用户再次启动Notebook时,可以使用指定的代码版本来初始化Notebook工作空间即/home/work目录下data以外的空间。
通过 VideoConfig 结构体可以控制视频/摄像头的解析策略、抽帧策略、分辨率调整、结果视频存储等功能。对于抽取到的视频帧可以直接作为SDK infer 接口的参数进行预测。
Pytorch框架API调用文档 本文档主要说明使用Pytorch框架训练的模型部署到公有云后获得的API如何使用,如有疑问可以通过以下方式联系我们: 在百度智能云控制台内 提交工单 进入 BML社区交流 ,与其他开发者进行互动 接口描述 基于Pytorch深度学习框架训练出的模型,模型训练完毕,发布到模型仓库并部署到公有云后可获得定制API 接口鉴权 在BML-控制台创建应用 应用列表获取AK/SK
通过 VideoConfig 结构体可以控制视频/摄像头的解析策略、抽帧策略、分辨率调整、结果视频存储等功能。对于抽取到的视频帧可以直接作为SDK infer 接口的参数进行预测。
sklearn框架API调用文档 本文档主要说明使用sklearn框架训练的模型部署到公有云后获得的API如何使用,如有疑问可以通过以下方式联系我们: 在百度智能云控制台内 提交工单 进入 BML社区交流 ,与其他开发者进行互动 接口描述 基于sklearn机器学习框架训练出的模型,模型训练完毕,发布到模型仓库并部署到公有云后可获得定制API 接口鉴权 在BML-控制台创建应用 应用列表获取AK/SK
Notebook 模板使用指南概述 Notebook 模板使用指南概述 BML 基于 Jupyter 提供了在线的交互式开发环境 Notebook 建模,不但免去了用户准备开发环境的过程,而且可以帮助用户轻松的实现数据集、代码以及模型的管理。 模板概述 BML Notebook 建模为开发者提供了图像分类-单图单标签、图像分类-单图多标签、物体检测、NLP 通用和通用等多种模板。 其中需要注意的是
如何发布服务器端SDK 训练完毕后,可以在左侧导航栏中找到【EasyEdge本地部署】,选择通用【服务器】,点击【发布新服务】,进入发布界面。 step1.部署方式选择服务器,集成方式选择服务器端后,选择需要发布的模型及版本,勾选业务场景需要的操作系统与硬件芯片。设置完毕点击下一步 step2. 填写完基本信息之后,点击 提交 ,即可将模型封装成可离线计算的服务器端SDK。