docs: 确定生产全上云部署决策，更新工作计划与 AGENTS.md
This commit is contained in:
weijuesen
@@ -18,7 +18,7 @@
|
||||
4. `miniapp/` — 微信小程序（Taro 4 + React + TypeScript + Sass）；`project.config.json` 的 `miniprogramRoot` 指向 `dist/`，该目录是 Taro 构建产物，不得手改。
|
||||
5. `wvp/` — WVP-PRO + ZLMediaKit 视频平台（`docker-compose.yml` 包含 WVP、ZLMediaKit、MySQL、Redis），并含 `recorder-go`（Go 连续录制服务，默认 :9090）与 Dockerfile。
|
||||
6. 根目录文档 — `README.md`、`部署指南(物理机).md`、`变更记录.md`、`故障排查处理记录.md`、`物联网设备接口和数据格式.md`、`后续工作计划.md`（规格书 V2.1 的工作清单与技术选型决策）等为项目说明、规划与部署运维依据。
|
||||
7. `ai-service/`（规划中）— Python FastAPI + ONNX Runtime AI 推理微服务（YOLO 蚕病检测、图像/光谱分析），独立部署于 Tesla P4 GPU 服务器，与 Go 后端通过 HTTP/gRPC 通信；技术方向为「现有 Go 底座 + Python AI 微服务」混合架构，详细规划见 `后续工作计划.md`。
|
||||
7. `ai-service/`（规划中）— Python FastAPI + ONNX Runtime AI 推理微服务（YOLO 蚕病检测、图像/光谱分析），生产部署于云 GPU 主机（NVIDIA T4 16G），与 Go 后端通过 HTTP/gRPC 通信；模型训练在本地 fnOS/P4 物理机完成。技术方向为「现有 Go 底座 + Python AI 微服务」混合架构，生产环境全部上云（业务云主机 + GPU 云主机 + 云对象存储），本地仅用于开发/训练/测试，详细规划见 `后续工作计划.md`。
|
||||
|
||||
生成文件及其来源命令：
|
||||
|
||||
@@ -47,7 +47,7 @@
|
||||
6. 选择未明确指定的技术栈、包管理器、数据库、运行时、部署目标或外部服务前，必须先获得用户确认。
|
||||
7. 初始化项目时，如果技术栈尚未明确，应先让用户选择技术栈，再创建项目文件。
|
||||
8. 不得将密钥写入需要提交的文件；需要环境配置时使用占位值创建 `.env.example`。
|
||||
9. AI 推理服务（规划中）：Python 3.11 + 虚拟环境，PyTorch（cu121/cu124 wheel，兼容 Tesla P4）+ ultralytics；训练与推理在远程 fnOS 服务器（i7-8700T / 62G / Tesla P4 8G）上进行，模型导出 ONNX 后由 FastAPI 服务加载；数据集路径 `/vol1/ai/datasets`。
|
||||
9. AI 推理服务（规划中）：Python 3.11 + 虚拟环境，PyTorch（cu121/cu124 wheel，兼容 Tesla P4）+ ultralytics；模型训练在本地 fnOS 服务器（i7-8700T / 62G / Tesla P4 8G，数据集路径 `/vol1/ai/datasets`）完成，导出 ONNX 后部署到云 GPU 主机（T4 16G）由 FastAPI 服务加载。
|
||||
|
||||
## 验证
|
||||
|
||||
|
||||
@@ -7,10 +7,25 @@
|
||||
**采用混合架构：现有 Go 底座 + Python AI 微服务**
|
||||
|
||||
- 平台/业务：沿用 `server-go`（Go/Gin/GORM、PostgreSQL、IoTDB、Valkey/Redis、VerneMQ、Ceph S3、WVP+ZLM 等现有能力）
|
||||
- AI 能力：新建独立 Python 服务 `ai-service/`（FastAPI + ONNX Runtime），承载 YOLO 检测、图像/光谱分析，部署于 Tesla P4 GPU 服务器
|
||||
- AI 能力：新建独立 Python 服务 `ai-service/`（FastAPI + ONNX Runtime），承载 YOLO 检测、图像/光谱分析
|
||||
- 通信：Go 后端 ↔ AI 服务通过 HTTP/gRPC；摄像头流巡检由 AI 服务直接消费 ZLMediaKit 流
|
||||
- 端侧：农户端微信小程序沿用现有 Taro miniapp；端侧 ONNX 推理作为后续优化项
|
||||
|
||||
**部署决策（2026-08-11 确定）：生产环境全部上云，本地仅用于开发/训练/测试**
|
||||
|
||||
- 生产：业务云主机 + GPU 云主机（NVIDIA T4 16G）+ 云对象存储（OSS/COS），同地域同 VPC 内网互通
|
||||
- 本地（开发 VM + fnOS/i7-8700T/Tesla P4 物理机）：仅做代码开发、YOLO 模型训练、数据集处理与功能测试；训练产物（`best.onnx` 等）上传云端部署
|
||||
|
||||
## 云部署配置（2026-08-11 确定）
|
||||
|
||||
| 资源 | 推荐配置 | 用途 |
|
||||
|---|---|---|
|
||||
| 业务云主机 | 8 vCPU / 32GB / 100GB SSD 系统盘 + 500GB SSD 数据盘，10Mbps 起步（视频多则按量），Debian 12 / Ubuntu 22.04，华南或华东 | Go 后端、PostgreSQL、IoTDB、VerneMQ、Valkey、Docker（WVP/ZLM/MySQL/Redis）、recorder-go、前端 |
|
||||
| GPU 云主机 | NVIDIA T4 16G，8 vCPU / 32GB / 100GB SSD，与业务主机同 VPC | `ai-service`（ONNX Runtime 推理），不承担训练 |
|
||||
| 云对象存储 | OSS/COS：录像 bucket + 图片 bucket，配置生命周期（录像按保留期转低频/删除） | 替代 Ceph（现有 loop 100GB 容量/性能受限） |
|
||||
| 网络与入口 | 域名 + HTTPS 证书（小程序合法域名需 ICP 备案）、负载均衡（可选）、CDN（模型/静态资源分发） | 对外访问与端侧模型更新 |
|
||||
| 数据库 | 优先云 RDS（高可用+自动备份）；成本敏感则业务主机自装 + 每日备份 + 云盘快照 | PostgreSQL 业务数据 |
|
||||
|
||||
## 一、前置准备（P0）
|
||||
|
||||
- [ ] 1. 修复数据集：按原始图重新划分 train/valid/test（消除 Roboflow 增强副本导致的跨集泄漏）；修正 `data.yaml`（`heathly` → `healthy`、绝对路径）；删除空标签
|
||||
@@ -67,4 +82,5 @@
|
||||
|
||||
- [ ] 时序数据库：IoTDB（现状）还是 TDengine（规格书）
|
||||
- [ ] 数据集病种扩展：由二分类（healthy/sick）扩展为 7 类病种标注（影响 AI 巡检与溯源联动）
|
||||
- [ ] AI 服务部署形态：Docker（nvidia-container-toolkit）还是 systemd 裸进程
|
||||
- [x] AI 服务部署形态：已定——云 GPU 主机（T4 16G），容器化部署
|
||||
- [x] 对象存储：已定——云 OSS/COS，替代 Ceph
|
||||
|
||||
Reference in New Issue
Block a user