kordelfrance/seekar-atr-tfx-extract

Seekar自动目标识别模型TensorFlow Serving镜像

镜像概述

本镜像为基于TensorFlow Serving的显式实例，专门用于部署和运行Seekar自动目标识别（Automatic Target Recognition, ATR）模型。它集成了TensorFlow Serving的模型服务能力与Seekar模型的目标识别功能，提供标准化的模型服务接口，简化目标识别模型的部署与调用流程。

核心功能和特性

• 模型服务能力：基于TensorFlow Serving构建，支持模型的高效加载、推理与服务
• 目标识别功能：内置Seekar自动目标识别模型，可对输入图像进行目标检测与识别
• 多接口支持：提供gRPC（默认端口8500）和REST（默认端口8501）两种服务接口
• 标准化部署：容器化封装，确保模型部署环境一致性，简化跨平台部署流程

使用场景和适用范围

• 安防监控系统中的实时目标识别
• 无人机、机器人等移动平台的环境感知
• 工业质检中的目标检测与分类
• 需要集成目标识别能力的AI应用后端服务

使用方法和配置说明

基本部署命令

通过以下命令启动镜像，映射默认端口以提供服务：

bash
docker run -d -p 8500:8500 -p 8501:8501 --name seekar-atr-serving [镜像名称]

端口说明

• 8500：gRPC服务端口，用于高性能模型调用
• 8501：REST API端口，用于HTTP方式的模型调用

模型调用示例

REST API调用（通过HTTP）

发送POST请求至http://localhost:8501/v1/models/seekar_atr:predict，请求体格式如下：

json
{
  "instances": [
    {
      "image": [/* 图像像素数据，格式需与模型要求一致 */]
    }
  ]
}

gRPC调用

使用TensorFlow Serving的gRPC客户端，连接localhost:8500，调用Predict方法，传入符合模型输入格式的请求数据。

注意事项

• 确保宿主机端口8500和8501未被占用，或通过-p参数映射至其他可用端口
• 输入图像数据需符合Seekar模型的预处理要求（如尺寸、通道顺序、归一化等）
• 生产环境建议通过--restart=always参数设置容器自动重启