Overview

这个作业本质上不是让你“训练 AI 模型”，而是让你把老师已经给你的 YOLO 环境检测模型，做成一个能在云上跑的在线识别系统。别人发一张图片给你的系统，你的系统要能：

1. 收到图片
2. 用模型识别图里的东西
3. 把识别结果以 JSON 返回
4. 再返回一张“画好了框和标签的图片”
5. 把整个系统放到 Docker + Kubernetes + 云服务器上跑
6. 再用 Locust 压测，看 1、2、4、8 个 pod 的时候性能怎么样
7. 最后交报告、源码、配置文件，还要参加现场 demo/interview 解释你自己做的东西。

再说得更直白一点：

你要做的不是研究模型，而是做一个“AI 图片识别云服务”项目。

重点在“部署、接口、容器、K8s、压测、分析”，不是在“重新训练模型”。题目明确说了，模型权重和代码会给你，你不需要训练或微调，重点是云部署、推理接入和架构扩展。

这个作业主要需要做什么

1. 先确定你要用哪个模型

老师会按你学号最后一位分配模型。不同尾号对应不同检测任务，比如火灾烟雾、海洋塑料、城市垃圾、野生动物。你只能用分配给你的那个模型。

2. 做两个 API

你要用 FastAPI 写一个 Web 服务，至少有两个接口：

• /api/predict 输入：uuid + base64 图片 输出：检测到的类别、数量、框的位置、概率、推理耗时等 JSON
• /api/annotate 输入：同样的请求 输出：加了检测框和标签后的图片，转成 base64 再返回。

也就是说，你不是只要“识别出来”，还要按照题目规定的返回格式给结果。

3. 把这个服务做成 Docker 镜像

你要写 Dockerfile，把 Python 项目、依赖、模型这些打包成可运行容器。题目和 rubric 都强调：

不仅要能跑，还要尽量轻量化、优化镜像体积。HD 甚至希望你做得更专业，比如 layer caching、multi-stage build、非 root 用户运行。

4. 在云上搭 Kubernetes 集群并部署

你要在 GCP / Oracle / Azure 之一上，用 3 台虚拟机搭一个 K8s 集群：

• 1 台 master
• 2 台 worker

然后把你的 Docker 镜像部署上去，写好：

• Deployment
• Service
• YAML 配置

而且每个 pod 要限制资源，特别是 CPU limit = 1 vCPU，这个对后面的性能测试非常关键。

5. 最好写 IaC

题目允许你手动配云资源，但那样会丢掉 IaC 这部分分数。

所以如果你想冲高分，最好用 Terraform / Ansible / Chef 自动化创建网络、子网、路由、网关、集群之类的资源。rubric 里这部分单独给了 10 分。

6. 用 Locust 压测

你要写一个 Locust 脚本，不停发请求去测你的 /api/predict 和 /api/annotate。

测试时要分别把 Deployment 扩成：

• 1 pod
• 2 pods
• 4 pods
• 8 pods

然后逐步加并发用户，找到系统开始崩、变慢、报错的那个临界点，并记录：

• 最大稳定并发用户数
• 当时平均响应时间。

7. 写一个很短但要有数据的 benchmark report

报告最多 500 词，但不能乱写。你要放：

• 结果表格
• 两张图
• 对性能的分析

你要解释为什么 pod 变多后性能变化会这样，瓶颈在哪里，为什么会出现延迟飙升。HD 档会看你是不是能把现象和理论联系起来，比如系统饱和、排队、资源瓶颈这些。

8. 最后要参加 interview/demo

这个很重要：面试是门槛项。

就算你东西做出来了，但如果你讲不清楚你自己的代码、Docker、K8s、压测过程，分数也可能最高只给 45。所以这个作业不是“拼出来能跑就行”，你还得真的会讲。

你可以把这个作业理解成这几件大事

第一大事：让模型能通过 API 用起来

也就是“上传图片 → 返回识别结果”。

第二大事：让它在云上稳定跑起来

也就是 Docker + Kubernetes + 公网访问。

第三大事：证明它能扛住压力

也就是 Locust 压测 + 不同 pod 数量下的性能对比。

第四大事：把过程和结果整理出来

也就是 report + zip 提交 + interview demo。

如果你现在只想知道“最终要交什么”

你最后要交 3 个东西：

1. PDF 报告
2. AI 使用记录 PDF
3. 一个 ZIP 包，里面至少要有：

   • Dockerfile
   • Web service 源码
   • Kubernetes YAML
   • Locust 脚本
   • 实验脚本（如果有）
   • IaC 脚本
   • README
   • 已部署系统的公网 URL。

对新手来说，最核心的一句话总结

这个作业就是：把老师给你的 YOLO 模型，做成一个部署在云上、能被别人调用、能扩容、能压测、还能解释清楚的完整 AI 云服务。