实时手机检测-通用教程：Gradio界面汉化+结果导出Excel功能扩展

实时手机检测-通用教程：Gradio界面汉化+结果导出Excel功能扩展

1. 引言

如果你正在寻找一个能快速、准确识别图片中手机的AI工具，那么阿里巴巴开源的DAMO-YOLO手机检测模型绝对值得一试。这个模型在手机检测这个特定任务上表现非常出色，准确率高达88.8%，而且推理速度极快，一张图片只需要3.83毫秒就能完成检测。

不过，当你按照官方文档部署好服务后，可能会发现两个小问题：一是Web界面是英文的，对中文用户不太友好；二是检测结果只能在线查看，无法方便地保存下来进行后续分析。今天这篇文章，我就来手把手教你如何解决这两个问题，为这个强大的手机检测服务增加界面汉化和结果导出Excel的功能。

通过本教程，你将学会：

• 如何快速部署DAMO-YOLO手机检测服务
• 如何将Gradio界面完全汉化为中文
• 如何添加一键导出检测结果到Excel的功能
• 如何将这些功能整合成一个完整的、用户友好的应用

无论你是开发者、测试人员，还是需要批量处理图片中手机检测任务的项目负责人，这个增强版的服务都能让你的工作更加高效便捷。

2. 环境准备与快速部署

2.1 系统要求与依赖安装

在开始之前，我们先确保环境准备就绪。这个服务对系统要求不高，主流的Linux发行版都能运行。

首先，如果你还没有安装必要的Python包，可以运行以下命令：

# 进入项目目录 cd /root/cv_tinynas_object-detection_damoyolo_phone # 安装基础依赖 pip install -r requirements.txt # 安装我们新增功能需要的额外包 pip install pandas openpyxl

这里解释一下几个关键包的作用：

• pandas：用于处理数据和生成Excel文件
• openpyxl：让pandas能够读写Excel文件
• 其他包如gradio、modelscope等在原有的requirements.txt中已经包含

2.2 一键启动服务

环境准备好后，启动服务非常简单：

# 方法一：使用启动脚本 ./start.sh # 方法二：直接运行Python文件 python3 app.py

启动成功后，你会看到类似这样的输出：

Running on local URL: http://0.0.0.0:7860

这时候打开浏览器，访问http://你的服务器IP:7860，就能看到原始的英文界面了。不过别急，我们马上就来改造它。

3. 基础功能快速上手

在开始改造之前，我们先快速了解一下这个服务的基本使用方法，这样你就能明白我们要在哪些地方做改进。

3.1 原始界面功能体验

打开Web界面后，你会看到以下几个主要区域：

1. 图片上传区域：可以拖拽上传图片，或者点击选择文件
2. 示例图片区域：系统提供了一些测试图片，点击就能使用
3. 检测按钮：大大的"Detect"按钮，点击开始检测
4. 结果显示区域：检测完成后，这里会显示带框的图片

使用流程很简单：

• 上传一张包含手机的图片
• 点击"Detect"按钮
• 等待几秒钟，就能看到检测结果

检测结果会用红色的方框标出图片中的所有手机，每个框旁边还会显示一个置信度分数，告诉你模型对这个检测结果有多大的把握。

3.2 Python API调用

除了Web界面，你也可以通过Python代码来调用这个检测服务：

from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks # 初始化检测器 detector = pipeline( Tasks.domain_specific_object_detection, model='damo/cv_tinynas_object-detection_damoyolo_phone', cache_dir='/root/ai-models', trust_remote_code=True ) # 检测单张图片 image_path = '你的图片路径.jpg' result = detector(image_path) # 查看检测结果 print(f"检测到 {len(result['boxes'])} 个手机") for i, box in enumerate(result['boxes']): print(f"手机{i+1}: 位置{box}, 置信度{result['scores'][i]:.2f}")

这个API调用方式适合批量处理图片，或者集成到其他系统中。不过今天我们的重点是增强Web界面的用户体验。

4. Gradio界面汉化实战

现在进入正题，我们来把英文界面变成中文。Gradio的界面汉化其实很简单，就是找到所有显示文字的地方，把英文替换成中文。

4.1 理解Gradio界面结构

首先，我们来看看原始的app.py文件是怎么构建界面的。关键部分通常长这样：

import gradio as gr # 创建界面组件 with gr.Blocks() as demo: gr.Markdown("# DAMO-YOLO Phone Detection") with gr.Row(): with gr.Column(): input_image = gr.Image(label="Input Image", type="filepath") examples = gr.Examples(examples=example_images, inputs=input_image) detect_btn = gr.Button("Detect", variant="primary") with gr.Column(): output_image = gr.Image(label="Detection Result") output_json = gr.JSON(label="Detection Data")

我们要汉化的就是这些label参数和按钮文字。比如"Input Image"要改成"输入图片"，"Detect"要改成"开始检测"。

4.2 完整汉化方案

下面是我为你准备的一个完整的汉化版本。你可以直接替换原有的app.py文件，或者在此基础上继续添加功能：

import gradio as gr import os from model_inference import detect_phones # 示例图片路径 example_images = [ ["assets/demo/example1.jpg"], ["assets/demo/example2.jpg"], ["assets/demo/example3.jpg"] ] # 创建中文界面 with gr.Blocks(title="DAMO-YOLO 手机检测系统", theme=gr.themes.Soft()) as demo: # 标题和描述 gr.Markdown("# 📱 DAMO-YOLO 实时手机检测系统") gr.Markdown("基于阿里巴巴DAMO-YOLO的高性能手机检测模型 | 准确率: 88.8% | 推理速度: 3.83ms") with gr.Row(): # 左侧：输入区域 with gr.Column(scale=1): gr.Markdown("### 1. 上传图片") input_image = gr.Image( label="请上传包含手机的图片", type="filepath", height=300 ) gr.Markdown("### 2. 或选择示例图片") examples = gr.Examples( examples=example_images, inputs=input_image, label="点击下方图片快速测试", examples_per_page=3 ) gr.Markdown("### 3. 开始检测") with gr.Row(): detect_btn = gr.Button("🚀 开始检测", variant="primary", size="lg") clear_btn = gr.Button("🔄 清空结果", variant="secondary") # 右侧：输出区域 with gr.Column(scale=1): gr.Markdown("### 4. 检测结果") output_image = gr.Image( label="检测结果可视化", height=400 ) with gr.Accordion("📊 详细检测数据", open=False): output_json = gr.JSON(label="检测数据详情") gr.Markdown("### 5. 统计信息") with gr.Row(): phone_count = gr.Number(label="检测到手机数量", precision=0) avg_confidence = gr.Number(label="平均置信度", precision=2) # 底部说明 gr.Markdown("---") gr.Markdown(""" **使用说明：** 1. 上传一张包含手机的图片，或点击上方示例图片 2. 点击"开始检测"按钮 3. 查看右侧的检测结果和统计信息 4. 红色框表示检测到的手机，框上数字为置信度 """) # 绑定按钮事件 detect_btn.click( fn=detect_phones, inputs=input_image, outputs=[output_image, output_json, phone_count, avg_confidence] ) clear_btn.click( fn=lambda: [None, None, 0, 0.0], inputs=[], outputs=[input_image, output_image, phone_count, avg_confidence] ) # 启动服务 if __name__ == "__main__": demo.launch( server_name="0.0.0.0", server_port=7860, share=False )

4.3 汉化效果对比

让我们看看汉化前后的对比：

汉化前（英文界面）：

• 标题：DAMO-YOLO Phone Detection
• 上传区域：Input Image
• 按钮：Detect
• 结果区域：Detection Result
• 数据区域：Detection Data

汉化后（中文界面）：

• 标题：DAMO-YOLO 手机检测系统
• 上传区域：请上传包含手机的图片
• 按钮：🚀 开始检测
• 结果区域：检测结果可视化
• 数据区域：检测数据详情

除了文字翻译，我还做了一些用户体验的优化：

1. 添加了更明确的步骤提示（1. 上传图片、2. 选择示例...）
2. 增加了统计信息显示（手机数量、平均置信度）
3. 添加了清空按钮，方便多次测试
4. 使用了更友好的主题和图标

现在界面看起来是不是亲切多了？接下来我们解决第二个问题：如何导出检测结果。

5. Excel导出功能实现

检测结果只能在线查看，这在实际工作中很不方便。比如你要统计一批图片中手机的数量和位置，或者要把数据交给其他人分析，这时候如果能导出到Excel就太好了。

5.1 设计导出数据格式

首先，我们需要确定Excel文件中要保存哪些信息。对于手机检测任务，我觉得以下信息比较有用：

1. 图片信息：图片文件名、检测时间
2. 检测结果：每个手机的位置（坐标）、大小、置信度
3. 统计信息：手机总数、平均置信度、最高/最低置信度

基于这个思路，我设计了这样的数据结构：

import pandas as pd from datetime import datetime def prepare_excel_data(image_path, detection_results): """ 准备导出到Excel的数据 参数: image_path: 图片路径 detection_results: 检测结果字典 返回: DataFrame: 整理好的数据 """ # 基本信息 image_name = os.path.basename(image_path) detect_time = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # 提取检测结果 boxes = detection_results.get('boxes', []) scores = detection_results.get('scores', []) # 构建数据行 data_rows = [] for i, (box, score) in enumerate(zip(boxes, scores)): row = { '图片名称': image_name, '检测时间': detect_time, '手机编号': i + 1, '左上角X': int(box[0]), '左上角Y': int(box[1]), '右下角X': int(box[2]), '右下角Y': int(box[3]), '宽度': int(box[2] - box[0]), '高度': int(box[3] - box[1]), '置信度': round(score, 4), '置信度百分比': f"{score*100:.1f}%" } data_rows.append(row) # 如果没有检测到手机，添加一行提示 if not data_rows: data_rows.append({ '图片名称': image_name, '检测时间': detect_time, '手机编号': 0, '备注': '未检测到手机' }) return pd.DataFrame(data_rows)

5.2 实现Excel导出函数

有了数据结构，接下来实现具体的导出函数：

import pandas as pd import tempfile import os def export_to_excel(image_path, detection_results): """ 将检测结果导出到Excel文件 参数: image_path: 图片路径 detection_results: 检测结果 返回: str: Excel文件路径 """ # 准备数据 df_detections = prepare_excel_data(image_path, detection_results) # 创建Excel写入器 excel_file = tempfile.NamedTemporaryFile( suffix='_手机检测结果.xlsx', delete=False ) excel_path = excel_file.name excel_file.close() # 使用pandas的ExcelWriter，支持多个sheet with pd.ExcelWriter(excel_path, engine='openpyxl') as writer: # Sheet1: 详细检测结果 df_detections.to_excel( writer, sheet_name='检测详情', index=False ) # Sheet2: 统计摘要 if not detection_results.get('boxes'): # 没有检测到手机的情况 summary_data = { '统计项': ['检测状态', '图片名称', '检测时间'], '数值': ['未检测到手机', os.path.basename(image_path), datetime.now().strftime("%Y-%m-%d %H:%M:%S")] } else: # 检测到手机的情况 boxes = detection_results['boxes'] scores = detection_results['scores'] summary_data = { '统计项': [ '检测状态', '图片名称', '检测时间', '手机总数', '平均置信度', '最高置信度', '最低置信度', '平均宽度', '平均高度' ], '数值': [ '检测成功', os.path.basename(image_path), datetime.now().strftime("%Y-%m-%d %H:%M:%S"), len(boxes), f"{sum(scores)/len(scores)*100:.1f}%", f"{max(scores)*100:.1f}%", f"{min(scores)*100:.1f}%", f"{sum(b[2]-b[0] for b in boxes)/len(boxes):.0f}像素", f"{sum(b[3]-b[1] for b in boxes)/len(boxes):.0f}像素" ] } df_summary = pd.DataFrame(summary_data) df_summary.to_excel( writer, sheet_name='统计摘要', index=False ) return excel_path

5.3 集成到Gradio界面

现在我们需要把这个导出功能集成到Web界面中。在原有的汉化界面上添加导出按钮和功能：

# 在原有的界面代码基础上，添加导出功能 # 在输出区域添加导出按钮 with gr.Column(scale=1): gr.Markdown("### 4. 检测结果") output_image = gr.Image( label="检测结果可视化", height=400 ) with gr.Accordion("📊 详细检测数据", open=False): output_json = gr.JSON(label="检测数据详情") gr.Markdown("### 5. 统计信息") with gr.Row(): phone_count = gr.Number(label="检测到手机数量", precision=0) avg_confidence = gr.Number(label="平均置信度", precision=2) # 新增：导出区域 gr.Markdown("### 6. 结果导出") with gr.Row(): export_btn = gr.Button("📥 导出到Excel", variant="secondary") export_file = gr.File(label="下载Excel文件", visible=False) # 显示导出状态 export_status = gr.Textbox(label="导出状态", visible=False) # 修改检测函数，返回更多数据供导出使用 def detect_and_prepare_export(image_path): """增强的检测函数，同时准备导出数据""" # 调用原始检测函数 result_image, result_json = detect_phones(image_path) # 计算统计信息 phone_count = 0 avg_confidence = 0.0 if result_json and 'boxes' in result_json: phone_count = len(result_json['boxes']) if phone_count > 0 and 'scores' in result_json: avg_confidence = sum(result_json['scores']) / phone_count # 准备导出数据（但不立即生成文件） export_data = { 'image_path': image_path, 'detection_results': result_json, 'result_image': result_image } return result_image, result_json, phone_count, avg_confidence, export_data # 导出函数 def export_detection_results(export_data): """处理导出请求""" if not export_data or 'detection_results' not in export_data: return None, "错误：没有可导出的数据" try: excel_path = export_to_excel( export_data['image_path'], export_data['detection_results'] ) # 返回文件供下载 return excel_path, "导出成功！点击上方文件下载" except Exception as e: return None, f"导出失败：{str(e)}" # 更新按钮事件绑定 detect_btn.click( fn=detect_and_prepare_export, inputs=input_image, outputs=[output_image, output_json, phone_count, avg_confidence, gr.State()] ) # 绑定导出按钮事件 export_btn.click( fn=export_detection_results, inputs=gr.State(), outputs=[export_file, export_status] )

6. 完整代码整合与部署

现在我们把所有功能整合到一个完整的应用中。下面是完整的app_enhanced.py文件：

import gradio as gr import os import pandas as pd import tempfile from datetime import datetime from model_inference import detect_phones # 示例图片 example_images = [ ["assets/demo/example1.jpg"], ["assets/demo/example2.jpg"], ["assets/demo/example3.jpg"] ] def prepare_excel_data(image_path, detection_results): """准备Excel导出数据""" image_name = os.path.basename(image_path) detect_time = datetime.now().strftime("%Y-%m-%d %H:%M:%S") boxes = detection_results.get('boxes', []) scores = detection_results.get('scores', []) data_rows = [] for i, (box, score) in enumerate(zip(boxes, scores)): row = { '图片名称': image_name, '检测时间': detect_time, '手机编号': i + 1, '左上角X': int(box[0]), '左上角Y': int(box[1]), '右下角X': int(box[2]), '右下角Y': int(box[3]), '宽度': int(box[2] - box[0]), '高度': int(box[3] - box[1]), '置信度': round(score, 4), '置信度百分比': f"{score*100:.1f}%" } data_rows.append(row) if not data_rows: data_rows.append({ '图片名称': image_name, '检测时间': detect_time, '手机编号': 0, '备注': '未检测到手机' }) return pd.DataFrame(data_rows) def export_to_excel(image_path, detection_results): """导出到Excel文件""" df_detections = prepare_excel_data(image_path, detection_results) excel_file = tempfile.NamedTemporaryFile( suffix='_手机检测结果.xlsx', delete=False ) excel_path = excel_file.name excel_file.close() with pd.ExcelWriter(excel_path, engine='openpyxl') as writer: # 检测详情 df_detections.to_excel(writer, sheet_name='检测详情', index=False) # 统计摘要 if not detection_results.get('boxes'): summary_data = { '统计项': ['检测状态', '图片名称', '检测时间'], '数值': ['未检测到手机', os.path.basename(image_path), datetime.now().strftime("%Y-%m-%d %H:%M:%S")] } else: boxes = detection_results['boxes'] scores = detection_results['scores'] summary_data = { '统计项': [ '检测状态', '图片名称', '检测时间', '手机总数', '平均置信度', '最高置信度', '最低置信度', '平均宽度', '平均高度' ], '数值': [ '检测成功', os.path.basename(image_path), datetime.now().strftime("%Y-%m-%d %H:%M:%S"), len(boxes), f"{sum(scores)/len(scores)*100:.1f}%", f"{max(scores)*100:.1f}%", f"{min(scores)*100:.1f}%", f"{sum(b[2]-b[0] for b in boxes)/len(boxes):.0f}像素", f"{sum(b[3]-b[1] for b in boxes)/len(boxes):.0f}像素" ] } df_summary = pd.DataFrame(summary_data) df_summary.to_excel(writer, sheet_name='统计摘要', index=False) return excel_path def detect_and_prepare_export(image_path): """检测并准备导出数据""" result_image, result_json = detect_phones(image_path) phone_count = 0 avg_confidence = 0.0 if result_json and 'boxes' in result_json: phone_count = len(result_json['boxes']) if phone_count > 0 and 'scores' in result_json: avg_confidence = sum(result_json['scores']) / phone_count export_data = { 'image_path': image_path, 'detection_results': result_json, 'result_image': result_image } return result_image, result_json, phone_count, avg_confidence, export_data def export_detection_results(export_data): """处理导出请求""" if not export_data or 'detection_results' not in export_data: return None, "错误：没有可导出的数据" try: excel_path = export_to_excel( export_data['image_path'], export_data['detection_results'] ) return excel_path, "导出成功！点击上方文件下载" except Exception as e: return None, f"导出失败：{str(e)}" # 创建增强版界面 with gr.Blocks(title="DAMO-YOLO 手机检测系统", theme=gr.themes.Soft()) as demo: gr.Markdown("# 📱 DAMO-YOLO 实时手机检测系统") gr.Markdown("基于阿里巴巴DAMO-YOLO的高性能手机检测模型 | 准确率: 88.8% | 推理速度: 3.83ms") with gr.Row(): # 输入区域 with gr.Column(scale=1): gr.Markdown("### 1. 上传图片") input_image = gr.Image( label="请上传包含手机的图片", type="filepath", height=300 ) gr.Markdown("### 2. 或选择示例图片") examples = gr.Examples( examples=example_images, inputs=input_image, label="点击下方图片快速测试", examples_per_page=3 ) gr.Markdown("### 3. 开始检测") with gr.Row(): detect_btn = gr.Button("🚀 开始检测", variant="primary", size="lg") clear_btn = gr.Button("🔄 清空结果", variant="secondary") # 输出区域 with gr.Column(scale=1): gr.Markdown("### 4. 检测结果") output_image = gr.Image(label="检测结果可视化", height=400) with gr.Accordion("📊 详细检测数据", open=False): output_json = gr.JSON(label="检测数据详情") gr.Markdown("### 5. 统计信息") with gr.Row(): phone_count = gr.Number(label="检测到手机数量", precision=0) avg_confidence = gr.Number(label="平均置信度", precision=2) gr.Markdown("### 6. 结果导出") with gr.Row(): export_btn = gr.Button("📥 导出到Excel", variant="secondary") export_file = gr.File(label="下载Excel文件", visible=False) export_status = gr.Textbox(label="导出状态", visible=False) # 说明区域 gr.Markdown("---") gr.Markdown(""" **使用说明：** 1. 上传图片或使用示例图片 2. 点击"开始检测"按钮 3. 查看检测结果和统计信息 4. 点击"导出到Excel"保存检测数据 **Excel文件包含：** - 检测详情表：每个手机的详细位置和置信度 - 统计摘要表：整体检测结果的统计信息 """) # 状态变量 export_data_state = gr.State() # 事件绑定 detect_btn.click( fn=detect_and_prepare_export, inputs=input_image, outputs=[output_image, output_json, phone_count, avg_confidence, export_data_state] ) export_btn.click( fn=export_detection_results, inputs=export_data_state, outputs=[export_file, export_status] ).then( fn=lambda: gr.File(visible=True), outputs=export_file ).then( fn=lambda: gr.Textbox(visible=True), outputs=export_status ) clear_btn.click( fn=lambda: [None, None, 0, 0.0, None, None, None], inputs=[], outputs=[input_image, output_image, phone_count, avg_confidence, export_file, export_status, export_data_state] ) if __name__ == "__main__": demo.launch( server_name="0.0.0.0", server_port=7860, share=False )

6.1 部署增强版服务

保存上面的代码为app_enhanced.py，然后启动服务：

# 确保安装了所有依赖 pip install pandas openpyxl # 启动增强版服务 python3 app_enhanced.py

现在访问http://localhost:7860，你就能看到完全汉化并且带有Excel导出功能的手机检测系统了。

7. 使用效果与进阶技巧

7.1 实际使用演示

让我们通过一个完整的例子来看看这个增强版系统怎么用：

1. 上传图片：点击上传区域，选择一张包含手机的图片
2. 开始检测：点击"🚀 开始检测"按钮
3. 查看结果：右侧会显示带红色框的检测结果，下方显示检测到3个手机，平均置信度92.5%
4. 导出数据：点击"📥 导出到Excel"按钮
5. 下载文件：点击出现的下载链接，获取"手机检测结果.xlsx"

打开Excel文件，你会看到两个工作表：

• 检测详情：每个手机的精确位置、大小、置信度
• 统计摘要：整体统计信息，包括手机总数、平均置信度等

7.2 进阶使用技巧

如果你需要进一步定制这个系统，这里有几个实用的技巧：

批量处理图片：

import os from model_inference import detect_phones def batch_process_images(image_folder, output_excel): """批量处理文件夹中的所有图片""" all_results = [] for filename in os.listdir(image_folder): if filename.lower().endswith(('.jpg', '.jpeg', '.png')): image_path = os.path.join(image_folder, filename) result_image, result_data = detect_phones(image_path) # 保存结果 all_results.append({ 'filename': filename, 'detections': len(result_data.get('boxes', [])), 'data': result_data }) # 导出到Excel # ... 这里可以扩展批量导出功能

自定义导出格式： 如果你需要其他格式的导出，比如CSV或JSON，可以轻松扩展：

def export_to_csv(image_path, detection_results): """导出到CSV文件""" df = prepare_excel_data(image_path, detection_results) csv_file = tempfile.NamedTemporaryFile(suffix='_检测结果.csv', delete=False) df.to_csv(csv_file.name, index=False, encoding='utf-8-sig') return csv_file.name def export_to_json(image_path, detection_results): """导出到JSON文件""" import json data = { 'image': os.path.basename(image_path), 'detection_time': datetime.now().isoformat(), 'results': detection_results } json_file = tempfile.NamedTemporaryFile(suffix='_检测结果.json', delete=False) with open(json_file.name, 'w', encoding='utf-8') as f: json.dump(data, f, ensure_ascii=False, indent=2) return json_file.name

界面美化： Gradio支持多种主题，你可以根据需要更换：

# 使用不同的主题 demo = gr.Blocks(theme=gr.themes.Default()) # 默认主题 demo = gr.Blocks(theme=gr.themes.Soft()) # 柔和主题（本文使用的） demo = gr.Blocks(theme=gr.themes.Monochrome()) # 单色主题

8. 总结

通过本教程，我们成功将DAMO-YOLO手机检测服务从一个基础的英文界面，改造成了一个功能完善、用户友好的中文应用。主要改进包括：

1. 完全汉化界面：所有按钮、标签、提示都翻译成了中文，让中文用户使用起来更加顺手
2. Excel导出功能：一键将检测结果保存为Excel文件，包含详细数据和统计摘要
3. 用户体验优化：添加了统计信息显示、清空按钮、步骤提示等实用功能
4. 代码结构清晰：模块化设计，方便后续扩展和维护

这个增强版系统特别适合以下场景：

• 质量检测：生产线上的手机外观检测，需要记录每个产品的检测结果
• 安全监控：公共场所的手机使用监控，需要统计和分析数据
• 学术研究：收集手机检测的实验数据，用于论文或报告
• 项目演示：向客户或领导展示AI检测能力，有直观的界面和可导出的数据

最重要的是，我们所有的改进都是在不改变原有检测模型的前提下完成的。DAMO-YOLO模型依然保持着88.8%的高准确率和3.83毫秒的快速推理能力，我们只是给它穿上了一件更漂亮、更实用的"外衣"。

如果你需要进一步定制这个系统，比如添加批量处理、支持视频输入、或者集成到其他系统中，现在的代码结构也为你打下了良好的基础。希望这个教程对你有所帮助，祝你在手机检测的应用中取得好成果！

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。