Gradio界面定制化：为DAMO-YOLO WebUI添加导出检测结果CSV功能

Gradio界面定制化为DAMO-YOLO WebUI添加导出检测结果CSV功能1. 项目背景与需求如果你用过那个基于DAMO-YOLO的手机检测WebUI可能会发现一个问题检测结果只能看不能存。每次上传图片系统会告诉你检测到了几个手机每个手机的置信度是多少还会用红框在图片上标出来。但当你需要整理这些数据时——比如要统计一天检测了多少手机或者分析不同场景下的检测准确率——就只能手动记录或者截图保存非常麻烦。想象一下这样的场景你负责一个考场监控系统每天要处理上百张图片每张图片都可能检测到多个手机。领导让你出一份报告统计本周所有检测到的手机数量、平均置信度甚至要按时间、按考场分类。这时候如果系统能自动把每次检测的结果保存下来该有多方便这就是我们今天要解决的问题为现有的手机检测WebUI增加一个“导出CSV”功能。让系统不仅能检测还能把检测结果图片名称、检测时间、手机数量、每个手机的坐标和置信度自动保存到CSV文件里方便后续分析和处理。2. 功能设计与实现思路2.1 我们要实现什么功能简单来说就是在现有的WebUI界面上增加一个按钮点击这个按钮就能把当前的检测结果导出为CSV文件。具体来说CSV文件里应该包含以下信息图片信息图片文件名、检测时间检测统计检测到的手机总数、平均置信度每个手机的详细信息每个检测框的坐标x1, y1, x2, y2、置信度分数这样导出的CSV文件可以直接用Excel打开或者导入到数据库里做进一步分析。2.2 技术方案选择实现这个功能我们有几种选择方案一纯前端导出优点实现简单不依赖后端缺点只能导出当前页面的数据不能保存历史记录方案二后端保存前端下载优点可以保存所有检测记录数据更完整缺点需要修改后端代码稍微复杂一点方案三实时自动保存优点完全自动化用户无需操作缺点可能会产生大量文件需要管理考虑到实用性和实现难度我们选择方案二后端保存前端下载。这样既能保存完整的历史数据又不会给用户带来额外的操作负担。2.3 文件格式设计CSV文件应该是什么样子的我们来看一个例子filename,timestamp,total_phones,avg_confidence,phone_1_x1,phone_1_y1,phone_1_x2,phone_1_y2,phone_1_confidence,phone_2_x1,... test_image.jpg,2024-01-15 14:30:25,2,0.945,100,150,200,300,0.961,350,200,450,350,0.943,...这样的格式虽然能保存所有数据但有个问题每张图片检测到的手机数量不同CSV的列数就不固定。更好的设计是detection_id,filename,timestamp,phone_index,x1,y1,x2,y2,confidence 1,test_image.jpg,2024-01-15 14:30:25,1,100,150,200,300,0.961 2,test_image.jpg,2024-01-15 14:30:25,2,350,200,450,350,0.943这样每行代表一个检测到的手机无论一张图片里有多少手机都能用统一的格式保存。3. 代码实现步骤3.1 第一步修改Gradio界面首先我们需要在现有的WebUI界面上增加一个导出按钮。找到原来的app.py文件修改界面部分import gradio as gr import pandas as pd from datetime import datetime import os # 创建保存检测结果的目录 RESULTS_DIR detection_results os.makedirs(RESULTS_DIR, exist_okTrue) def detect_phones(image): 原有的检测函数这里只展示关键部分 # 假设这是原有的检测逻辑 # boxes: 检测框列表每个框是 [x1, y1, x2, y2, confidence] # annotated_image: 标注后的图片 # 原有的检测代码... boxes [...] # 检测结果 annotated_image ... # 标注后的图片 # 保存检测结果到CSV save_detection_results(image, boxes) return annotated_image, len(boxes), calculate_avg_confidence(boxes) def save_detection_results(image, boxes): 保存检测结果到CSV文件 # 获取当前时间 timestamp datetime.now().strftime(%Y-%m-%d %H:%M:%S) # 获取图片文件名如果是上传的图片 if hasattr(image, name): filename os.path.basename(image.name) else: filename fimage_{int(datetime.now().timestamp())}.jpg # 准备数据 data [] for i, box in enumerate(boxes): x1, y1, x2, y2, confidence box data.append({ detection_id: len(data) 1, filename: filename, timestamp: timestamp, phone_index: i 1, x1: int(x1), y1: int(y1), x2: int(x2), y2: int(y2), confidence: float(confidence) }) # 保存到CSV if data: df pd.DataFrame(data) csv_filename f{RESULTS_DIR}/detection_{datetime.now().strftime(%Y%m%d_%H%M%S)}.csv df.to_csv(csv_filename, indexFalse) # 同时追加到总记录文件 total_csv f{RESULTS_DIR}/all_detections.csv if os.path.exists(total_csv): df.to_csv(total_csv, modea, headerFalse, indexFalse) else: df.to_csv(total_csv, indexFalse) return len(data) def export_all_results(): 导出所有检测结果 total_csv f{RESULTS_DIR}/all_detections.csv if os.path.exists(total_csv): # 读取所有数据 df pd.read_csv(total_csv) # 生成汇总统计 summary { total_detections: len(df), unique_images: df[filename].nunique(), avg_confidence: df[confidence].mean(), first_detection: df[timestamp].min(), last_detection: df[timestamp].max() } # 创建汇总DataFrame summary_df pd.DataFrame([summary]) # 保存到临时文件 export_filename f{RESULTS_DIR}/export_{datetime.now().strftime(%Y%m%d_%H%M%S)}.zip # 这里可以添加压缩多个CSV文件的逻辑 # 暂时返回总记录文件 return total_csv else: return None # 创建Gradio界面 with gr.Blocks(title手机检测系统 - 增强版) as demo: gr.Markdown(# 实时手机检测系统 - 支持结果导出) gr.Markdown(基于 DAMO-YOLO 的高性能手机检测模型支持检测结果导出为CSV格式) with gr.Row(): with gr.Column(scale1): image_input gr.Image(label上传图片, typefilepath) detect_button gr.Button( 检测手机, variantprimary) with gr.Group(): gr.Markdown(### 导出功能) export_button gr.Button( 导出所有检测结果, variantsecondary) export_status gr.Markdown(点击按钮导出所有历史检测记录) file_output gr.File(label下载文件, visibleFalse) with gr.Column(scale2): image_output gr.Image(label检测结果) with gr.Row(): count_output gr.Number(label检测到的手机数量, precision0) confidence_output gr.Number(label平均置信度, precision3) # 绑定事件 detect_button.click( fndetect_phones, inputs[image_input], outputs[image_output, count_output, confidence_output] ) export_button.click( fnexport_all_results, inputs[], outputs[file_output] ).then( fnlambda x: gr.update(visibleTrue) if x else gr.update(visibleFalse), inputs[file_output], outputs[file_output] ) if __name__ __main__: demo.launch(server_name0.0.0.0, server_port7860)3.2 第二步增强导出功能上面的代码实现了基本的导出功能但我们可以做得更好。比如让用户可以选择导出时间范围或者只导出特定图片的检测结果def export_filtered_results(start_dateNone, end_dateNone, min_confidence0.5): 按条件导出检测结果 total_csv f{RESULTS_DIR}/all_detections.csv if not os.path.exists(total_csv): return None # 读取数据 df pd.read_csv(total_csv) df[timestamp] pd.to_datetime(df[timestamp]) # 应用过滤器 if start_date: start_date pd.to_datetime(start_date) df df[df[timestamp] start_date] if end_date: end_date pd.to_datetime(end_date) df df[df[timestamp] end_date] if min_confidence: df df[df[confidence] min_confidence] if df.empty: return None # 生成导出文件 export_time datetime.now().strftime(%Y%m%d_%H%M%S) # 保存详细数据 details_file f{RESULTS_DIR}/export_details_{export_time}.csv df.to_csv(details_file, indexFalse) # 生成统计摘要 summary { 导出时间: datetime.now().strftime(%Y-%m-%d %H:%M:%S), 时间范围: f{start_date} 至 {end_date} if start_date and end_date else 全部时间, 置信度阈值: min_confidence, 总检测数: len(df), 涉及图片数: df[filename].nunique(), 平均置信度: f{df[confidence].mean():.3f}, 最高置信度: f{df[confidence].max():.3f}, 最低置信度: f{df[confidence].min():.3f} } summary_file f{RESULTS_DIR}/export_summary_{export_time}.txt with open(summary_file, w, encodingutf-8) as f: for key, value in summary.items(): f.write(f{key}: {value}\n) # 创建ZIP文件实际项目中可以添加zipfile库的支持 # 这里简化处理只返回详细数据文件 return details_file3.3 第三步完善界面交互现在让我们完善Gradio界面增加更多的导出选项# 在原有的界面代码基础上增加导出选项 with gr.Blocks(title手机检测系统 - 专业版) as demo: gr.Markdown(# 实时手机检测系统 - 专业版) gr.Markdown(基于 DAMO-YOLO 的高性能手机检测模型支持高级数据导出功能) with gr.Row(): with gr.Column(scale1): # 图片上传和检测部分保持不变 image_input gr.Image(label上传图片, typefilepath) detect_button gr.Button( 检测手机, variantprimary) with gr.Accordion( 数据导出选项, openFalse): with gr.Group(): gr.Markdown(### 导出条件筛选) with gr.Row(): start_date gr.Textbox( label开始日期, placeholderYYYY-MM-DD, info留空表示从最早记录开始 ) end_date gr.Textbox( label结束日期, placeholderYYYY-MM-DD, info留空表示到现在 ) min_confidence gr.Slider( minimum0.0, maximum1.0, value0.5, step0.05, label最低置信度, info只导出置信度高于此值的结果 ) export_format gr.Radio( choices[CSV, Excel, JSON], valueCSV, label导出格式 ) with gr.Row(): export_button gr.Button( 导出数据, variantprimary, sizelg) clear_button gr.Button( 重置条件, variantsecondary) export_status gr.Markdown(### 导出状态\n等待导出操作...) file_output gr.File(label下载文件, visibleFalse) with gr.Column(scale2): # 检测结果显示部分保持不变 image_output gr.Image(label检测结果) with gr.Row(): count_output gr.Number(label检测到的手机数量, precision0) confidence_output gr.Number(label平均置信度, precision3) # 新增实时统计信息 with gr.Accordion( 实时统计, openTrue): stats_markdown gr.Markdown(统计信息加载中...) # 新增统计信息更新函数 def update_statistics(): 更新统计信息显示 total_csv f{RESULTS_DIR}/all_detections.csv if os.path.exists(total_csv): df pd.read_csv(total_csv) stats_text f ### 检测统计总览 **总体统计** - 总检测次数: {len(df):,} 次 - 涉及图片数: {df[filename].nunique():,} 张 - 平均置信度: {df[confidence].mean():.3f} **今日统计**{datetime.now().strftime(%Y-%m-%d)} - 今日检测数: {len(df[df[timestamp].str.contains(datetime.now().strftime(%Y-%m-%d))]):,} 次 - 今日图片数: {df[df[timestamp].str.contains(datetime.now().strftime(%Y-%m-%d))][filename].nunique():,} 张 **质量分析** - 高置信度(0.9): {len(df[df[confidence] 0.9]):,} 次 - 中置信度(0.7-0.9): {len(df[(df[confidence] 0.7) (df[confidence] 0.9)]):,} 次 - 低置信度(0.7): {len(df[df[confidence] 0.7]):,} 次 else: stats_text ### 检测统计总览\n\n暂无检测数据请先进行检测操作。 return stats_text # 绑定更多事件 detect_button.click( fndetect_phones, inputs[image_input], outputs[image_output, count_output, confidence_output] ).then( fnupdate_statistics, inputs[], outputs[stats_markdown] ) # 导出按钮事件 export_button.click( fnlambda: gr.update(value正在生成导出文件请稍候...), inputs[], outputs[export_status] ).then( fnexport_filtered_results, inputs[start_date, end_date, min_confidence], outputs[file_output] ).then( fnlambda x: gr.update(visibleTrue) if x else gr.update(visibleFalse), inputs[file_output], outputs[file_output] ).then( fnlambda x: f### ✅ 导出完成\n\n文件已生成点击上方下载按钮保存。 if x else ### ❌ 导出失败\n\n没有找到符合条件的检测数据。, inputs[file_output], outputs[export_status] ) # 重置按钮事件 clear_button.click( fnlambda: (, , 0.5, CSV), inputs[], outputs[start_date, end_date, min_confidence, export_format] ).then( fnlambda: ### 导出状态\n条件已重置请重新设置导出条件。, inputs[], outputs[export_status] ) # 初始化时加载统计信息 demo.load( fnupdate_statistics, inputs[], outputs[stats_markdown] )4. 功能测试与验证4.1 测试导出功能代码写好了现在我们来测试一下。启动修改后的WebUIcd /root/phone-detection python app.py打开浏览器访问http://你的服务器IP:7860你应该能看到新的界面左侧面板增加了数据导出选项折叠区域可以设置导出时间范围、置信度阈值、导出格式右侧面板增加了实时统计区域测试步骤上传几张测试图片让系统检测一些手机点击导出数据按钮不设置任何条件应该能导出所有记录设置筛选条件比如只导出今天的数据或者只导出置信度高于0.8的数据下载CSV文件用Excel或文本编辑器打开检查数据是否正确4.2 验证数据完整性导出的CSV文件应该包含以下列detection_id: 检测记录ID自增filename: 图片文件名timestamp: 检测时间phone_index: 手机序号同一图片中的第几个手机x1,y1,x2,y2: 检测框坐标confidence: 置信度分数你可以写一个简单的Python脚本来验证数据import pandas as pd import os def validate_exported_data(csv_file): 验证导出的CSV数据 if not os.path.exists(csv_file): print(f文件不存在: {csv_file}) return False try: df pd.read_csv(csv_file) # 检查必要的列 required_columns [detection_id, filename, timestamp, phone_index, x1, y1, x2, y2, confidence] missing_columns [col for col in required_columns if col not in df.columns] if missing_columns: print(f缺少必要的列: {missing_columns}) return False # 检查数据有效性 print(f数据概览:) print(f- 总记录数: {len(df)}) print(f- 涉及图片数: {df[filename].nunique()}) print(f- 时间范围: {df[timestamp].min()} 到 {df[timestamp].max()}) print(f- 置信度范围: {df[confidence].min():.3f} 到 {df[confidence].max():.3f}) # 检查坐标有效性 invalid_coords df[(df[x1] df[x2]) | (df[y1] df[y2])] if len(invalid_coords) 0: print(f警告: 发现 {len(invalid_coords)} 条坐标无效的记录) # 检查置信度范围 invalid_conf df[(df[confidence] 0) | (df[confidence] 1)] if len(invalid_conf) 0: print(f警告: 发现 {len(invalid_conf)} 条置信度超出范围的记录) return True except Exception as e: print(f验证失败: {e}) return False # 测试验证函数 if __name__ __main__: csv_file detection_results/all_detections.csv if validate_exported_data(csv_file): print(✅ 数据验证通过) else: print(❌ 数据验证失败)4.3 性能测试导出功能不应该影响原有的检测性能。我们可以测试一下import time import pandas as pd def test_performance(): 测试导出功能的性能影响 # 模拟大量数据 test_data [] for i in range(1000): # 1000条测试数据 test_data.append({ detection_id: i 1, filename: ftest_image_{i % 100}.jpg, timestamp: 2024-01-15 10:00:00, phone_index: (i % 3) 1, x1: 100, y1: 100, x2: 200, y2: 200, confidence: 0.8 (i % 20) * 0.01 }) df pd.DataFrame(test_data) # 测试保存性能 start_time time.time() # 测试追加模式 for i in range(10): # 模拟10次检测 df_sample df.iloc[i*100:(i1)*100] if i 0: df_sample.to_csv(test_performance.csv, indexFalse) else: df_sample.to_csv(test_performance.csv, modea, headerFalse, indexFalse) save_time time.time() - start_time print(f保存1000条记录耗时: {save_time:.3f}秒) print(f平均每条记录: {save_time/1000*1000:.3f}毫秒) # 测试读取性能 start_time time.time() df_read pd.read_csv(test_performance.csv) read_time time.time() - start_time print(f读取1000条记录耗时: {read_time:.3f}秒) # 清理测试文件 import os os.remove(test_performance.csv) return save_time, read_time if __name__ __main__: save_time, read_time test_performance() print(f\n性能总结:) print(f- 保存性能: {save_time:.3f}秒 (1000条记录)) print(f- 读取性能: {read_time:.3f}秒 (1000条记录)) print(f- 对检测速度的影响: 可忽略不计)5. 实际应用案例5.1 案例一考场监控数据分析假设你负责一个考场的手机检测系统每天有10个考场每个考场每小时拍摄1张图片考试持续8小时。一天就是80张图片。没有导出功能时每天需要手动记录80次检测结果统计时容易出错无法进行历史数据分析有了导出功能后系统自动保存所有检测记录每天考试结束后一键导出当天数据用Excel快速生成统计报告import pandas as pd import matplotlib.pyplot as plt def generate_exam_report(csv_file, exam_date): 生成考场检测报告 df pd.read_csv(csv_file) # 筛选指定日期的数据 df[date] pd.to_datetime(df[timestamp]).dt.date target_date pd.to_datetime(exam_date).date() df_date df[df[date] target_date] if df_date.empty: print(f{exam_date} 没有检测数据) return # 基础统计 total_detections len(df_date) total_images df_date[filename].nunique() avg_confidence df_date[confidence].mean() # 按时间分析每小时 df_date[hour] pd.to_datetime(df_date[timestamp]).dt.hour hourly_stats df_date.groupby(hour).agg({ detection_id: count, confidence: mean }).rename(columns{detection_id: 检测次数, confidence: 平均置信度}) # 生成报告 report f 考场手机检测报告 报告日期: {exam_date} 总体统计: - 总检测次数: {total_detections} 次 - 检测图片数: {total_images} 张 - 平均置信度: {avg_confidence:.2%} 时间分布: for hour, stats in hourly_stats.iterrows(): report f {hour:02d}:00-{hour:02d}:59: {stats[检测次数]} 次检测, 平均置信度 {stats[平均置信度]:.2%}\n # 检测到手机的图片列表 phones_per_image df_date.groupby(filename)[phone_index].count() images_with_phones phones_per_image[phones_per_image 0] report f 异常情况: - 检测到手机的图片: {len(images_with_phones)} 张 if len(images_with_phones) 0: report 详细列表:\n for filename, count in images_with_phones.items(): # 提取考场编号假设文件名包含考场信息 exam_room filename.split(_)[0] if _ in filename else 未知 report f - {filename}: {count} 个手机 (考场: {exam_room})\n # 保存报告 report_file fexam_report_{exam_date}.txt with open(report_file, w, encodingutf-8) as f: f.write(report) print(f报告已生成: {report_file}) # 可视化可选 plt.figure(figsize(10, 6)) hourly_stats[检测次数].plot(kindbar) plt.title(f{exam_date} 考场手机检测时间分布) plt.xlabel(小时) plt.ylabel(检测次数) plt.tight_layout() plt.savefig(fexam_stats_{exam_date}.png) plt.close() return report # 使用示例 if __name__ __main__: # 假设导出的CSV文件 csv_file detection_results/all_detections.csv # 生成某天的报告 report generate_exam_report(csv_file, 2024-01-15) print(report)5.2 案例二检测效果趋势分析通过长期积累的数据我们可以分析检测效果的变化趋势def analyze_trends(csv_file, days30): 分析检测效果趋势 df pd.read_csv(csv_file) df[timestamp] pd.to_datetime(df[timestamp]) df[date] df[timestamp].dt.date # 获取最近N天的数据 end_date df[date].max() start_date end_date - pd.Timedelta(daysdays-1) df_recent df[df[date] start_date] # 按天统计 daily_stats df_recent.groupby(date).agg({ detection_id: count, confidence: mean, filename: nunique }).rename(columns{ detection_id: 检测次数, confidence: 平均置信度, filename: 图片数量 }) # 计算移动平均7天 daily_stats[检测次数_7d_avg] daily_stats[检测次数].rolling(window7).mean() daily_stats[平均置信度_7d_avg] daily_stats[平均置信度].rolling(window7).mean() # 生成趋势报告 report f 检测效果趋势分析 分析周期: {start_date} 至 {end_date} ({days}天) 总体趋势: - 总检测次数: {daily_stats[检测次数].sum():,} - 日均检测次数: {daily_stats[检测次数].mean():.1f} - 平均置信度: {daily_stats[平均置信度].mean():.2%} 趋势分析: # 检测次数趋势 trend_detections 上升 if daily_stats[检测次数].iloc[-1] daily_stats[检测次数].iloc[0] else 下降 report f- 检测次数整体呈{trend_detections}趋势\n # 置信度趋势 trend_confidence 上升 if daily_stats[平均置信度].iloc[-1] daily_stats[平均置信度].iloc[0] else 下降 report f- 平均置信度整体呈{trend_confidence}趋势\n # 最近7天 vs 前7天 if len(daily_stats) 14: recent_7d daily_stats[检测次数].iloc[-7:].mean() previous_7d daily_stats[检测次数].iloc[-14:-7].mean() change_pct (recent_7d - previous_7d) / previous_7d * 100 report f- 最近7天日均检测次数: {recent_7d:.1f}次\n report f- 较前7天变化: {change_pct:.1f}%\n # 检测质量分析 high_confidence_rate len(df_recent[df_recent[confidence] 0.9]) / len(df_recent) * 100 low_confidence_rate len(df_recent[df_recent[confidence] 0.7]) / len(df_recent) * 100 report f 质量分析: - 高置信度(0.9)比例: {high_confidence_rate:.1f}% - 低置信度(0.7)比例: {low_confidence_rate:.1f}% - 建议关注低置信度检测可能需要调整拍摄角度或光线条件 # 可视化 fig, (ax1, ax2) plt.subplots(2, 1, figsize(12, 10)) # 检测次数趋势图 ax1.plot(daily_stats.index, daily_stats[检测次数], label每日检测次数, markero) ax1.plot(daily_stats.index, daily_stats[检测次数_7d_avg], label7日移动平均, linestyle--, colorred) ax1.set_title(检测次数趋势) ax1.set_xlabel(日期) ax1.set_ylabel(检测次数) ax1.legend() ax1.grid(True, alpha0.3) # 置信度趋势图 ax2.plot(daily_stats.index, daily_stats[平均置信度], label每日平均置信度, markers, colorgreen) ax2.plot(daily_stats.index, daily_stats[平均置信度_7d_avg], label7日移动平均, linestyle--, colororange) ax2.set_title(平均置信度趋势) ax2.set_xlabel(日期) ax2.set_ylabel(平均置信度) ax2.legend() ax2.grid(True, alpha0.3) plt.tight_layout() plt.savefig(detection_trends.png, dpi150, bbox_inchestight) plt.close() # 保存报告 report_file ftrend_analysis_{start_date}_to_{end_date}.txt with open(report_file, w, encodingutf-8) as f: f.write(report) print(f趋势分析报告已生成: {report_file}) print(f趋势图已保存: detection_trends.png) return report, daily_stats # 使用示例 if __name__ __main__: csv_file detection_results/all_detections.csv report, stats analyze_trends(csv_file, days30) print(report)6. 总结通过为DAMO-YOLO手机检测WebUI添加CSV导出功能我们实现了从只能看到既能看又能用的转变。这个功能虽然看起来简单但实际价值很大6.1 实现的核心价值数据持久化检测结果不再是一次性的可以长期保存和分析自动化报告一键导出自动生成统计报告节省大量手动整理时间质量监控通过分析历史数据可以监控检测效果的变化趋势决策支持数据驱动的决策比如调整摄像头位置、优化检测参数等6.2 关键实现要点回顾数据格式设计采用每行一个检测对象的格式灵活适应不同数量的检测结果双重保存策略既保存每次检测的详细记录又维护一个总的历史文件灵活的导出选项支持按时间、置信度等条件筛选满足不同需求性能优化追加写入模式避免重复保存减少IO开销用户体验在原有界面上无缝集成不增加用户的学习成本6.3 可能的扩展方向如果你需要更强大的功能可以考虑数据库集成用SQLite或MySQL替代CSV文件支持更复杂的查询实时仪表盘用Plotly或ECharts创建实时数据可视化自动报告定期自动生成日报、周报并发送邮件多用户支持为不同用户创建不同的数据视图和导出权限API接口提供REST API让其他系统可以直接获取检测数据6.4 实际部署建议在实际部署时有几点需要注意定期清理CSV文件会越来越大建议定期归档旧数据备份策略重要的检测数据需要定期备份权限管理导出功能可能包含敏感数据需要适当的权限控制性能监控如果检测量很大需要监控磁盘IO和内存使用这个导出功能的实现展示了如何通过相对简单的代码改动为现有系统增加重要的实用功能。它不仅提升了系统的实用性也为后续的数据分析和系统优化奠定了基础。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。