模型部署

模型部署 是本地训练工作流中的独立阶段，输入、输出和失败原因都应在界面中明确显示。

核心说明

本页内容按该功能本身整理，不再使用通用占位说明。以下项目均与当前主题直接相关。

要点 1

部署前备份现有模型与配置。

要点 2

将 ONNX 和 label 文件放入稳定路径，并生成匹配 detector/model 配置。

要点 3

部署后先在低风险摄像头验证，再逐步启用其他摄像头。

验证与排查

• 修改或执行前记录当前版本/配置，以便回退。
• 完成后同时检查 UI 状态和后端日志，不只看一个成功提示。
• 如果问题只在单个摄像头/插件出现，先做最小范围对比，避免全局改动。

Model Deployment

Model Deployment is a distinct stage of the Local Training workflow. Inputs, outputs, progress and errors should remain visible and reproducible.

Inputs and outputs

• Use explicit dataset/model paths and stable class names.
• Preserve logs and generated artifacts for reproducibility.

Workflow

• Show live progress and actionable errors instead of requiring page refresh.
• Do not advance to deployment until the current stage passes validation.

Validation

• Run a test inference and confirm labels, dimensions and output format before deployment.

Despliegue del modelo

Despliegue del modelo es una etapa independiente del flujo Local Training; entradas, salidas, progreso y errores deben ser visibles.

Entradas y salidas

• Use rutas explícitas y nombres de clase estables.
• Conserve logs y artefactos.

Flujo

• Muestre progreso y errores accionables.
• No despliegue hasta validar la etapa actual.

Validación

• Ejecute inferencia de prueba y confirme etiquetas, dimensiones y formato.