一种深度学习应用系统、部署方法、设备及存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种深度学习应用系统、部署方法、设备及存储介质。


背景技术：

2.随着移动通信技术的迅速发展，用户终端数量急剧增长，各种应用服务的爆炸性激增对计算能力和实时处理提出了严格的要求。移动边缘计算作为一种有潜力的新兴计算范式，在移动网络的边缘部署服务器，贴近移动用户，为移动用户提供有效的it服务环境和云计算能力。其中，边缘计算服务器的位置通常是固定的。静态边缘服务器的固定部署限制了应对突发状况的能力，同时静态边缘服务器部署成本高昂，在一些需要密集部署的现实环境中几乎是无法实现的，因此引入了灵活无人机支持的移动边缘计算系统。凭借部署速度快、成本低、可扩展性强等优势，无人机辅助移动边缘计算有着广阔的应用前景。通过在无人机上安装高性能计算芯片，利用其自身的移动性，可以为终端提供高性能可靠的计算服务。
3.但是，目前对无人机移动边缘计算深度学习应用系统部署时没有统一化和标准化的流程，因此存在着无人机移动边缘计算深度学习应用系统无法快速部署的技术问题。


技术实现要素：

4.基于上述问题，本技术提供了一种深度学习应用系统、部署方法、设备及存储介质，用于解决无人机移动边缘计算深度学习应用系统无法快速部署的技术问题。
5.本技术实施例公开了如下技术方案：
6.第一方面，本技术提供了一种深度学习应用系统，基于docker容器技术，应用于无人机移动边缘计算设备，所述系统包括：
7.模型接收模块，用于获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内；
8.实时预测模块，用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行处理，并输出所述点云数据对应的预测结果。
9.可选的，所述系统还包括：
10.可视化操作模块，用于响应于用户的点云文件点击操作，对所述无人机移动边缘计算设备所采集的点云数据按照预设标签进行分类，将所述按照预设标签分类后的点云数据按照预设的与所述预设标签对应的不同颜色进行渲染，显示到可视化操作界面的第一预设显示区域。
11.可选的，所述可视化操作模块还用于响应于用户的数据类别占比点击操作，建立多个类别数量统计桶，各个所述类别数量统计桶与所述预设标签存在对应关系，遍历所述点云数据对应的预设标签的出现次数，并将所述预设标签的出现次数累加到所述预设标签
存在对应关系的类别数量统计桶中，最终将所述各个所述类别数量统计桶中的数据显示到所述可视化操作界面的第二预设显示区域。
12.可选的，所述可视化操作模块还用于响应于用户的样本点数量点击操作，建立多个样本点数量统计桶，各个所述样本点数量统计桶与所述预设便签文件的行数存在对应关系，遍历所述点云数据对应的预设便签的行数，并将所述预设便签的行数累加到所述预设便签存在对应关系的样本点数量统计桶，最终将所述各个所述样本点数量统计桶中的数据显示到所述可视化操作界面的第三预设显示区域。
13.可选的，所述系统还包括：
14.数据处理模块，用于对所述无人机移动边缘计算设备所采集的点云数据进行预处理，并构建局部坐标系，之后基于标准配准的目标点云数据识别及分离。
15.可选的，所述模型接收模块，具体用于当所述深度学习应用系统与管理云平台建立连接后，开启socket接口获取所述管理云平台发送的模型接收指令，当获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内，其中socket接口与所述管理云平台采用tcp通信协议。
16.可选的，所述模型接收模块，具体用于当所述深度学习应用系统与管理云平台建立连接后，开启socket接口获取所述管理云平台发送的模型接收指令，当获取到模型接收指令时，向所述管理云平台发送应答指令，并根据所述深度学习模型文件名创建空文件夹，自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到所述空文件夹内，若所述深度学习模型大小大于所述储存空间，则输出错误提示。
17.可选的，所述实时预测模块，具体用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行点云语义分割及风险识别并进行预测结果渲染，保存并输出所述点云数据对应的预测结果。
18.可选的，所述用户选择的不同的深度学习模型框架包括tensorflow基础镜像、pytorch基础镜像和mxnet基础镜像。
19.第二方面，本技术提供了一种深度学习应用系统部署方法，用于部署上述深度学习应用系统，所述方法包括：
20.获取需要部署在所述无人机移动边缘计算设备的深度学习应用系统的环境依赖，打包创建为docker镜像；
21.将所述docker镜像传输至所述无人机移动边缘计算设备，并将所述无人机移动边缘计算设备中的所述docker镜像实例化为docker容器。
22.第三方面，本技术提供了一种深度学习应用系统部署设备，包括：存储器和处理器；
23.所述存储器，用于存储程序；
24.所述处理器，用于执行所述程序，实现上述深度学习应用系统部署方法的各个步骤。
25.第四方面，本技术提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，现上述深度学习应用系统部署的各个步骤。
26.相较于现有技术，本技术具有以下有益效果：
27.本技术公开了一种深度学习应用系统、部署方法、设备及存储介质，基于docker容器技术，应用于无人机移动边缘计算设备，包括：模型接收模块，用于获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内。实时预测模块，用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行处理，并输出所述点云数据对应的预测结果。由此可见，本技术通过采用docker容器技术，实现了在无人机移动边缘计算设备中深度学习应用系统部署的标准化和统一化，可以快速部署和运行深度学习应用系统，减少了配置依赖和环境差异的问题，提高了系统的稳定性和可靠性。
附图说明
28.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
29.图1为本技术实施例提供的一种深度学习应用系统的结构示意图；
30.图2为本技术实施例提供的一种深度学习应用系统部署方法的流程示意图；
31.图3为本技术实施例提供的计算机可读介质的结构示意图；
32.图4为本技术实施例提供的服务器的硬件结构示意图。
具体实施方式
33.正如前文描述，随着移动通信技术的迅速发展，用户终端数量急剧增长，各种应用服务的爆炸性激增对计算能力和实时处理提出了严格的要求。移动边缘计算作为一种有潜力的新兴计算范式，在移动网络的边缘部署服务器，贴近移动用户，为移动用户提供有效的it服务环境和云计算能力。其中，边缘计算服务器的位置通常是固定的。静态边缘服务器的固定部署限制了应对突发状况的能力，同时静态边缘服务器部署成本高昂，在一些需要密集部署的现实环境中几乎是无法实现的，因此引入了灵活无人机支持的移动边缘计算系统。凭借部署速度快、成本低、可扩展性强等优势，无人机辅助移动边缘计算有着广阔的应用前景。通过在无人机上安装高性能计算芯片，利用其自身的移动性，可以为终端提供高性能可靠的计算服务。
34.目前，针对无人机移动边缘计算设备采集点云数据深度学习方面的研究，多关注基于不同优化目标的深度学习模型性能的提升研究，缺少对此类移动边缘计算设备在深度学习应用系统架构设计及成熟部署方面的研究。且无人机支持的移动边缘计算设备繁多，且大多数研究人员对其深度学习应用系统进行环境部署时没有统一化、标准化的流程，安装过程不具有迁移性和可复制性，效率低下。因此存在着无人机移动边缘计算深度学习应用系统无法快速部署的技术问题。
35.有鉴于此，本技术公开了一种深度学习应用系统、部署方法、设备及存储介质，基于docker容器技术，应用于无人机移动边缘计算设备，包括：模型接收模块，用于获取到模
型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内。实时预测模块，用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行处理，并输出所述点云数据对应的预测结果。由此可见，本技术通过采用docker容器技术，实现了在无人机移动边缘计算设备中深度学习应用系统部署的标准化和统一化，可以快速部署和运行深度学习应用系统，减少了配置依赖和环境差异的问题，提高了系统的稳定性和可靠性。
36.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
37.参见图1，该图为本技术实施例提供的一种深度学习应用系统的结构示意图。其中，深度学习应用系统100，基于docker容器技术，应用于无人机移动边缘计算设备，深度学习应用系统100可以包括：模型接收模块101、实时预测模块102。采用docker容器技术，可以快速部署和运行深度学习应用系统，减少了配置依赖和环境差异的问题，提高了系统的稳定性和可靠性
38.模型接收模块101，用于获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内。由此可见，根据深度学习模型大小进行自我评估，从而避免接收过大的模型，如果所接收的深度学习模型的大小小于或等于预先设定的储存空间，将自动开启接收并存储到预先设定的储存空间内，从而快速有效地管理模型，节省了资源和时间成本，提高了处理效率和准确率。
39.在本技术实施例中，作为一种可能的实现方式，模型接收模块101，具体用于当所述深度学习应用系统与管理云平台建立连接后，开启socket接口获取所述管理云平台发送的模型接收指令，当获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内，其中socket接口与所述管理云平台采用tcp通信协议。使得深度学习应用系统更加智能化和高效化。
40.通过模型接收模块的自动评估深度学习模型大小功能，该系统能够快速判断是否可以接收新的模型，从而在不浪费储存空间的情况下，保证了新模型的及时储存。模型接收模块使用socket接口和tcp通信协议可以实现与管理云平台的快速稳定连接，并能够方便地获取管理云平台发送的模型接收指令，能够确保数据传输的可靠性和稳定性。从而大大提高了深度学习应用系统对于管理云平台的响应速度和管理效率。由于深度学习模型通常占用内存较大，因此内存空间与处理器能力是拓展这些应用的关键。通过本技术方案，可以仅凭深度学习应用系统和管理云平台之间的连接来完成大规模模型的存储和更新。由此可见，在本技术实施例中，这一种可能的实现方式极大提高了深度学习模型接收的效率，并保证了数据传输的可靠性和稳定性。
41.作为一种示例，模型传输使用python的socket实现网络通信，通信协议采用tcp，连接建立后心跳间隔设置为1s。指令代码设计具体可以如表1所示。
42.表1指令代码设计含义
43.指令代码指令含义正确应答0000001建立连接ok 0000002测试通信ok 0000003即将传输模型ok 0000004即将传输数据集ok
44.在本技术实施例中，作为另一种可能的实现方式，模型接收模块101，具体用于当所述深度学习应用系统与管理云平台建立连接后，开启socket接口获取所述管理云平台发送的模型接收指令，当获取到模型接收指令时，向所述管理云平台发送应答指令，并根据所述深度学习模型文件名创建空文件夹，自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到所述空文件夹内，若所述深度学习模型大小大于所述储存空间，则输出错误提示。由此可见，本技术进一步使得深度学习应用系统在连接管理云平台后可以以安全和高效的方式传输深度学习模型。实现事先评估深度学习模型并创建足够空间来储存的功能，避免意外错误导致数据丢失或其他问题。自动响应管理云平台发送的模型接收指令，提升脚本运行效率和自动化流程。根据深度学习模型文件名直接创建相应名称的空文件夹，提升可维护性和易读性。在深度学习模型尺寸过大无法储存时，给出明确的错误提示，降低用户操作失误率。整个技术方案采用socket接口进行通信，提升通信效率、保证数据实时性。
45.进而，有效地解决了深度学习应用系统与管理云平台之间的数据交互问题，并提高了应用系统的自动化程度和运行效率。通过对深度学习模型尺寸进行评估和空间分配，可以避免用户操作过程中很多可能发生的错误。同时，采用socket接口进行通信，保证了方案的可靠性和稳定性。
46.实时预测模块102，用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行处理，并输出所述点云数据对应的预测结果。由此可见，深度学习应用系统可以根据用户的需求选择不同的模型框架，提高处理效率，适用于多种点云数据处理场景，增强了系统的可扩展性和通用性。
47.在本技术实施例中，作为一种可能的实现方式，实时预测模块，具体用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行点云语义分割及风险识别并进行预测结果渲染，保存并输出所述点云数据对应的预测结果。其中，为了满足使用不同框架执行深度学习任务的需求，用户选择的不同的深度学习模型框架包括tensorflow基础镜像、pytorch基础镜像和mxnet基础镜像。部署完成后，所有的深度学习任务都是在docker容器中执行，需要执行不同框架的深度学习任务，则需要启动具有相应深度学习框架环境的docker容器。由此可见，系统可以根据需要使用不同的深度学习模型，从而提高对点云数据进行分析和预测的准确性并且可以让用户按照需求选择最合适的模型。移动边缘计算设备采集的点云数据可以被实时预测模块处理，运用点云语义分割和风险识别，帮助无人机自主完成大部分决策，从而大大降低无人机操作人员的工作量。
48.本技术公开了一种深度学习应用系统，基于docker容器技术，应用于无人机移动边缘计算设备，包括：模型接收模块，用于获取到模型接收指令时自动评估深度学习模型大
小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内。实时预测模块，用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行处理，并输出所述点云数据对应的预测结果。由此可见，本技术通过采用docker容器技术，实现了在无人机移动边缘计算设备中深度学习应用系统部署的标准化和统一化，可以快速部署和运行深度学习应用系统，减少了配置依赖和环境差异的问题，提高了系统的稳定性和可靠性。
49.在本技术实施例中，作为一种可能的实现方式，深度学习应用系统还可以包括可视化操作模块，用于响应于用户的点云文件点击操作，对所述无人机移动边缘计算设备所采集的点云数据按照预设标签进行分类，将所述按照预设标签分类后的点云数据按照预设的与所述预设标签对应的不同颜色进行渲染，显示到可视化操作界面的第一预设显示区域。
50.增加了可视化操作模块，用于响应于用户的点云文件点击操作。当用户点击点云文件时，该模块能够根据所预设的标签对采集到的点云数据进行分类，并按照指定颜色渲染后显示在界面上的第一预设显示区域中。通过该模块，用户可以更智能地对点云数据采集过程进行管理，并且能更清晰地了解预设标签下的点云数据的不同属性。使得深度学习应用系统更具有便利性和易用性。
51.在本技术实施例中，作为另一种可能的实现方式，可视化操作模块还用于响应于用户的数据类别占比点击操作，建立多个类别数量统计桶，各个所述类别数量统计桶与所述预设标签存在对应关系，遍历所述点云数据对应的预设标签的出现次数，并将所述预设标签的出现次数累加到所述预设标签存在对应关系的类别数量统计桶中，最终将所述各个所述类别数量统计桶中的数据显示到所述可视化操作界面的第二预设显示区域。
52.由此可见，用户可以通过数据类别占比点击操作方便快捷地筛选感兴趣的数据，并且该系统可以通过建立多个类别数量统计桶实时统计不同类别的数量信息。通过遍历点云数据的预设标签降低了数据处理的难度。并且通过将预设标签的出现次数累加到类别数量统计桶中，可以更方便地进行数据分析。提高了点云数据处理的效率和准确性，为用户提供直观、详细的数据可视化界面，为数据分析和决策提供支持。
53.在本技术实施例中，作为另一种可能的实现方式，所述可视化操作模块还用于响应于用户的样本点数量点击操作，建立多个样本点数量统计桶，各个所述样本点数量统计桶与所述预设便签文件的行数存在对应关系，遍历所述点云数据对应的预设便签的行数，并将所述预设便签的行数累加到所述预设便签存在对应关系的样本点数量统计桶，最终将所述各个所述样本点数量统计桶中的数据显示到所述可视化操作界面的第三预设显示区域。
54.因此，通过可视化操作模块使得深度学习应用系统能够更加高效地处理标注任务，通过建立样本点数量统计桶与预设便签文件的行数之间的对应关系，遍历点云数据对应的预设便签的行数时可以更加快速地将预设便签的行数累加到对应的样本点数量统计桶中。此外，将各个样本点数量统计桶中的数据显示在第三预设显示区域，可以让用户直观地了解样本点数量分布情况，从而更好地安排标注任务，提升标注效率。提高了点云标注的效率和精确度，提升了用户体验。
55.在本技术实施例中，作为一种可能的实现方式，深度学习应用系统还可以包括数
据处理模块，用于对所述无人机移动边缘计算设备所采集的点云数据进行预处理，并构建局部坐标系，之后基于标准配准的目标点云数据识别及分离。
56.通过预处理点云数据并构建局部坐标系来识别和分离目标点云数据，可以更准确地获取物体位置和形状信息，提高了系统的精度。通过使用标准化的点云配准算法可以更快速地完成目标点云识别和分离，提高了整个系统的效率。通过基于标准方法进行点云配准，可以减少错误匹配的风险，从而提高了整个系统的可靠性。因此，该数据处理模块可以有效地增强系统的性能，提高无人机移动边缘计算设备在实际应用场景中的适用性。
57.需要说明的是，描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，模型接收模块还可以被描述为“获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内的模块”。
58.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
59.参见图2，该图为本技术实施例提供的一种深度学习应用系统部署方法的流程示意图。用于部署本技术实施例中的深度学习应用系统。
60.s201：获取需要部署在所述无人机移动边缘计算设备的深度学习应用系统的环境依赖，打包创建为docker镜像。其中定制的docker镜像对预装依赖修改示例如表2所示。
61.表2定制docker镜像对预装依赖修改示例
62.依赖项介绍操作pandas主要用于数据分析，本系统中并没有使用删除jupyterlab一种笔记本类型的生产工具，不需要删除cupy类似于numpy的工具，本系统使用nupy删除open3d-python三维可视化工具，用于边缘子系统的交互界面增加torch2trtpytorch模型到tensorrt模型的转换工具增加ctypes用于加载c++动态链接库增加
63.s202：将所述docker镜像传输至所述无人机移动边缘计算设备，并将所述无人机移动边缘计算设备中的所述docker镜像实例化为docker容器。
64.使用docker镜像可以大大简化深度学习应用程序在无人机移动边缘计算设备上的部署过程。用户可以选择多种不同的深度学习模型框架，并自定义模型构架，网络结构等参数。而在现有技术中这些开发任务需要依赖多个软件库的安装和配置。而通过使用docker镜像，所有依赖性都会被捆绑在一起，并创建出可重复构建的标准化的环境。这使得开发者可以更快地完成部署，减少部署时间和降低错误率。使用docker容器可以有效地隔离深度学习应用程序与其他app或操作系统之间的资源依赖关系。因此，在容器中运行深度学习应用程序可以避免对移动设备的其他组件产生干扰，提高了整个系统的稳定性和可靠性。进而，为无人机移动边缘计算设备端提供简单、便捷、快速而且高效的深度学习应用开发和部署体验。
65.如图3所示，本实施例提供了一种计算机可读介质300，其上存储有计算机程序311，该计算机程序311被处理器执行时实现上述图1所述深度学习应用系统部署方法的步骤。
66.需要说明的是，本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
67.需要说明的是，本技术上述的机器可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
68.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
69.请参阅图4，图4是本技术实施例提供的一种服务器的硬件结构示意图，该服务器400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)422(例如，一个或一个以上处理器)和存储器432，一个或一个以上存储应用程序440或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中，存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器422可以设置为与存储介质430通信，在服务器400上执行存储介质430中的一系列指令操作。
70.服务器400还可以包括一个或一个以上电源426，一个或一个以上有线或无线网络接口440，一个或一个以上输入输出接口558，和/或，一个或一个以上操作系统441，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等等。
71.上述实施例中由深度学习应用系统所执行的步骤可以基于该图4所示的服务器结构。
72.还需要说明的，根据本技术的实施例，上述图2中的流程示意图描述的所述深度学习应用系统部署方法的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行上述图2的流程示意图中所示的方法的程序代码。
73.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
74.虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本技术的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
75.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种深度学习应用系统，其特征在于，基于docker容器技术，应用于无人机移动边缘计算设备，所述系统包括：模型接收模块，用于获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内；实时预测模块，用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行处理，并输出所述点云数据对应的预测结果。2.根据权利要求1中所述的系统，其特征在于，所述系统还包括：可视化操作模块，用于响应于用户的点云文件点击操作，对所述无人机移动边缘计算设备所采集的点云数据按照预设标签进行分类，将所述按照预设标签分类后的点云数据按照预设的与所述预设标签对应的不同颜色进行渲染，显示到可视化操作界面的第一预设显示区域。3.根据权利要求2中所述的系统，其特征在于，所述可视化操作模块还用于响应于用户的数据类别占比点击操作，建立多个类别数量统计桶，各个所述类别数量统计桶与所述预设标签存在对应关系，遍历所述点云数据对应的预设标签的出现次数，并将所述预设标签的出现次数累加到所述预设标签存在对应关系的类别数量统计桶中，最终将所述各个所述类别数量统计桶中的数据显示到所述可视化操作界面的第二预设显示区域。4.根据权利要求2中所述的系统，其特征在于，所述可视化操作模块还用于响应于用户的样本点数量点击操作，建立多个样本点数量统计桶，各个所述样本点数量统计桶与所述预设便签文件的行数存在对应关系，遍历所述点云数据对应的预设便签的行数，并将所述预设便签的行数累加到所述预设便签存在对应关系的样本点数量统计桶，最终将所述各个所述样本点数量统计桶中的数据显示到所述可视化操作界面的第三预设显示区域。5.根据权利要求1中所述的系统，其特征在于，所述系统还包括：数据处理模块，用于对所述无人机移动边缘计算设备所采集的点云数据进行预处理，并构建局部坐标系，之后基于标准配准的目标点云数据识别及分离。6.根据权利要求1中所述的系统，其特征在于，所述模型接收模块，具体用于当所述深度学习应用系统与管理云平台建立连接后，开启socket接口获取所述管理云平台发送的模型接收指令，当获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到预先设定的储存空间内，其中socket接口与所述管理云平台采用tcp通信协议。7.根据权利要求6中所述的系统，其特征在于，所述模型接收模块，具体用于当所述深度学习应用系统与管理云平台建立连接后，开启socket接口获取所述管理云平台发送的模型接收指令，当获取到模型接收指令时，向所述管理云平台发送应答指令，并根据所述深度学习模型文件名创建空文件夹，自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收所述深度学习模型，并将所述深度学习模型储存到所述空文件夹内，若所述深度学习模型大小大于所述储存空间，则输出错误提示。8.根据权利要求1中所述的系统，其特征在于，所述实时预测模块，具体用于基于用户选择的不同的深度学习模型框架，对所述无人机移动边缘计算设备所采集的点云数据进行点云语义分割及风险识别并进行预测结果渲染，保存并输出所述点云数据对应的预测结
果。9.根据权利要求8中所述的系统，其特征在于，所述用户选择的不同的深度学习模型框架包括tensorflow基础镜像、pytorch基础镜像和mxnet基础镜像。10.一种深度学习应用系统部署方法，其特征在于，用于部署权利要求1-9中任一项所述的系统，所述方法包括：获取需要部署在所述无人机移动边缘计算设备的深度学习应用系统的环境依赖，打包创建为docker镜像；将所述docker镜像传输至所述无人机移动边缘计算设备，并将所述无人机移动边缘计算设备中的所述docker镜像实例化为docker容器。

技术总结
本申请公开了一种深度学习应用系统、部署方法、设备及存储介质，涉及计算机技术领域，基于Docker容器技术，应用于无人机移动边缘计算设备，其中模型接收模块用于获取到模型接收指令时自动评估深度学习模型大小，若深度学习模型大小小于或等于储存空间，则开启接收深度学习模型，并将深度学习模型储存到预先设定的储存空间内。实时预测模块用于基于用户选择的不同的深度学习模型框架，对无人机移动边缘计算设备所采集的点云数据进行处理，并输出点云数据对应的预测结果。因此，通过采用Docker容器技术，实现了在无人机移动边缘计算设备中深度学习应用系统部署的标准化和统一化，可以快速部署和运行深度学习应用系统，减少了配置依赖。赖。赖。


技术研发人员：江春华 隗刚 高璐 范剑敏
受保护的技术使用者：北京恒华伟业科技股份有限公司
技术研发日：2023.05.24
技术公布日：2023/8/24