深度學習模型的云邊協(xié)同訓練和部署

吳子強 劉敏 張義偉 李松珂

摘要：將云邊協(xié)同技術(shù)應用到深度學習模型的訓練和部署，可以解決目前工業(yè)質(zhì)檢領(lǐng)域深度學習模型訓練和部署方法的不足，使模型的訓練和部署更加安全、高效、智能化、低成本。

關(guān)鍵詞：云邊協(xié)同；深度學習；服務(wù)器部署；

*基金項目：安徽省科技重大專項項目，基于5G通信的運化視覺檢測系統(tǒng)研發(fā)（202003a05020002）。

0引言

從“工業(yè)4.0”到“中國制造2025”，在國家大力提倡和發(fā)展工業(yè)生產(chǎn)智能制造的環(huán)境下，人工智能工業(yè)質(zhì)檢解決方案將全面賦能工業(yè)生產(chǎn)制造。目前視覺檢測系統(tǒng)憑借其獨特的優(yōu)勢逐漸替代人工檢測方式，廣泛應用于生產(chǎn)流水線中。與傳統(tǒng)方式相比，深度學習可以在訓練過程中自學習相關(guān)屬性，省去特征工程環(huán)節(jié)，識別精度更高、更加靈活。

深度學習模型的訓練往往要進行大量數(shù)據(jù)的處理工作，對硬件的內(nèi)存和計算能力要求較高，因此需要在資源充足的數(shù)據(jù)中心完成。在視覺檢測系統(tǒng)中，檢測器本身從硬件成本和檢測實時性考慮，都不適合充當數(shù)據(jù)中心。而在工廠內(nèi)各車間、產(chǎn)線部署服務(wù)器單獨進行模型訓練，既效率低，也無法實現(xiàn)模型的統(tǒng)一管理和部署。收集大量的樣本數(shù)據(jù)送往云端數(shù)據(jù)中心進行模型訓練則存在兩個主要的弊端。一方面，將所有產(chǎn)線數(shù)據(jù)傳輸?shù)皆贫藭o核心網(wǎng)絡(luò)帶來沉重負擔，造成服務(wù)延時。另一方面，大量的原始數(shù)據(jù)通過廣域網(wǎng)傳輸容易泄露用戶數(shù)據(jù)隱私，違背用戶意愿。

隨著工業(yè)互聯(lián)網(wǎng)和邊緣計算[2]的發(fā)展，將云邊協(xié)同[3]技術(shù)應用到深度學習模型的訓練和部署，可以解決目前工業(yè)質(zhì)檢領(lǐng)域深度學習模型訓練[4]和部署方法的不足，使模型的訓練和部署更加安全、高效、智能化、低成本。

1系統(tǒng)架構(gòu)組成

為了推動工業(yè)質(zhì)檢領(lǐng)域深度學習技術(shù)的應用，本文提供了一種深度學習模型的云邊協(xié)同訓練和部署方法，為了實現(xiàn)上述目的采用如下技術(shù)方案，通過工業(yè)視覺檢測系統(tǒng)實現(xiàn)檢測模型的自動化訓練和部署，具體系統(tǒng)架構(gòu)組成如下。

1）如圖1所示，工業(yè)視覺檢測系統(tǒng)包括檢測器、邊緣服務(wù)器、中心云服務(wù)器組成。

2）如圖2所示，中心云服務(wù)器 Web 應用執(zhí)行分布式任務(wù)處理。在收到控制終端的控制命令后，發(fā)布異步任務(wù)（訓練或部署模型），發(fā)布定時任務(wù)更新任務(wù)執(zhí)行進度，任務(wù)信息立即放入消息隊列中，任務(wù)執(zhí)行單元從消息隊列中依次取出任務(wù)執(zhí)行，并存儲執(zhí)行結(jié)果。

3）如圖3所示，模型訓練任務(wù)流程。模型的訓練配置數(shù)據(jù)，包括訓練集、驗證集生成器配置、模型尺寸、迭代次數(shù)、分類種類配置，以及數(shù)據(jù)預處理、預訓練權(quán)重、回調(diào)函數(shù)、模型微調(diào)等項目配置，通過前端傳遞到中心云服務(wù)器后端，后端將任務(wù)消息放入 Redis 隊列，任務(wù)執(zhí)行單元從隊列取出并解析任務(wù)信息，向保持長連接的邊緣服務(wù)器發(fā)送任務(wù)，同時開啟定時任務(wù)，獲取任務(wù)執(zhí)行進度，如圖4所示。邊緣服務(wù)器接收到任務(wù)之后，采集相應檢測器存儲的原始數(shù)據(jù)，采集完成后按照任務(wù)要求，開展模型訓練，如圖5所示。在回調(diào)函數(shù)中每次訓練 Batch開始的時候記錄訓練進度、模型精度和損失值，向中心云服務(wù)器定時返回模型訓練進度和訓練效果。模型訓練完成，可自動上傳至中心云服務(wù)器進行進一步的評估測試。

4）如圖6所示，模型部署任務(wù)流程。模型的部署配置數(shù)據(jù)，包括指定產(chǎn)線、指定檢測器、指定品牌模型等項目配置，通過前端傳遞到中心云服務(wù)器后端，后端將任務(wù)消息放入 Redis 隊列，任務(wù)執(zhí)行單元從隊列取出并解析任務(wù)信息，向保持長連接的邊緣服務(wù)器發(fā)送任務(wù)，同時開啟定時任務(wù)，獲取任務(wù)執(zhí)行進度。邊緣服務(wù)器接收到任務(wù)之后，向指定檢測器發(fā)送訓練好的模型文件。向中心云服務(wù)器定時返回模型下發(fā)進度。檢測器接收完成模型文件，放入指定的品牌參數(shù)文件夾下，檢測器執(zhí)行加載模型。邊緣服務(wù)器向中心云服務(wù)器返回模型部署成功消息。

通過上面具體實施方式，所述技術(shù)領(lǐng)域的技術(shù)人員可容易地實現(xiàn)本發(fā)明。但是應當理解，本發(fā)明并不限于上述的具體實施方式。在公開的實施方式的基礎(chǔ)上，所述技術(shù)領(lǐng)域的技術(shù)人員可任意組合不同的技術(shù)特征，實現(xiàn)不同的技術(shù)方案。

2部署方法

云邊協(xié)同的模型訓練和部署方法操作步驟如下：

1）檢測器由工控機、單片機、圖像采集通訊組件、光源控制電路、編碼器信號采集電路等部分組成，工廠內(nèi)各產(chǎn)線檢測器調(diào)用深度學習模型對產(chǎn)品質(zhì)量進行實時檢測，此外檢測器還負責將歷史數(shù)據(jù)傳送到該產(chǎn)線的邊緣服務(wù)器中。

2）邊緣服務(wù)器與中心云服務(wù)器保持長連接，在收到中心云服務(wù)模型訓練命令后，解析命令，獲取任務(wù)參數(shù)信息，采集指定檢測器存儲數(shù)據(jù)，進行模型訓練。同時定時更新訓練進度、訓練精度、訓練損失值等過程信息給中心云服務(wù)器。

3）邊緣服務(wù)器與中心云服務(wù)器保持長連接，在收到中心云服務(wù)模型部署命令后，解析命令，向檢測器下發(fā)訓練好的模型文件。同時定時更新模型下發(fā)進度、檢測器加載模型進度等過程信息給中心云服務(wù)器。

4）中心云服務(wù)器搭建 Web 應用，接收用戶的遠程控制，向中心云服務(wù)器發(fā)送模型訓練和部署命令，以及接收中心云服務(wù)器返回信息，向用戶顯示任務(wù)執(zhí)行情況。

3結(jié)束語

通過云邊協(xié)同的方式訓練和部署深度學習模型，可以實現(xiàn)模型更加便捷地發(fā)布到檢測設(shè)備，確保生產(chǎn)車間數(shù)據(jù)不出廠，降低了網(wǎng)絡(luò)負載和數(shù)據(jù)泄露風險。同時，充分利用邊緣服務(wù)器硬件資源，可視化和自動化的深度學習模型訓練和部署，有利于推動深度學習在智能制造、工業(yè)質(zhì)檢領(lǐng)域的商業(yè)化應用?；谶@種檢測方法可以開發(fā)出應用于各種工業(yè)視覺檢測系統(tǒng)，具有廣泛的應用空間。

參考文獻：

[1]曲春光.分布式深度學習訓練優(yōu)化設(shè)計與實現(xiàn)[D].重慶：西南大學，2020：14-17.

[2]劉建甌.基于邊緣計算的計算和網(wǎng)絡(luò)融合系統(tǒng)架構(gòu)設(shè)計和實現(xiàn)[D].西安：西安電子科技大學，2020：17-19.

[3]崔羽飛，張云勇，張第，等.基于云邊協(xié)同的工業(yè)互聯(lián)網(wǎng)實踐[J].電信科學.2020（2）：110-115.

[4]王海川.面向邊緣智能的模型訓練服務(wù)部署和任務(wù)卸載研究[D].合肥：中國科學技術(shù)大學，2020：16-33.