inoyb 1.1.19

极其友好的地理空间AI模型服务框架 - Docker化部署，支持Gradio界面

inoyb

inoyb - 基于mc.json配置的Gradio模型服务框架

简介

inoyb是一个轻量级的Python框架，用于快速构建基于Gradio的机器学习模型服务。通过简单的配置文件和装饰器，您可以轻松地将模型推理代码转换为Web服务。

特性

• 🚀 一键部署: 使用@your_turn()装饰器即可将模型函数转换为Web服务
• 📋 配置驱动: 通过mc.json配置文件定义输入输出界面
• 🔧 智能执行: 支持隔离工作空间和并发执行
• 📁 文件管理: 智能大文件检测和符号链接优化
• 🎨 美观界面: 基于Gradio构建的现代化Web界面
• 📊 预览支持: 自动生成地理数据预览图
• 🗂️ 文件夹浏览: 支持文件夹输出的在线浏览

快速开始

安装

pip install inoyb

基本使用

1. 创建模型服务文件 gogogo.py:

from inoyb import your_turn

@your_turn()
def model_handler(*inputs):
    return [
        "python", "model/inference.py",
        "--data_files", inputs[0], inputs[1], inputs[2],
        "--config_path", "model/config.json",
        "--checkpoint", "model/Prithvi_EO_V1_100M.pt"
    ]

if __name__ == "__main__":
    model_handler.run()

2. 创建配置文件 mc.json:

{
  "model_info": {
    "name": "Prithvi地理空间基础模型",
    "description": "基于卫星图像的地理空间分析模型",
    "version": "1.0.0"
  },
  "inputs": {
    "hls_data": {
      "type": "geodata",
      "label": "HLS数据文件",
      "required": true,
      "file_types": [".tif", ".tiff"]
    },
    "mask_data": {
      "type": "geodata", 
      "label": "掩码数据文件",
      "required": true,
      "file_types": [".tif", ".tiff"]
    }
  },
  "outputs": {
    "prediction": {
      "type": "geodata",
      "label": "预测结果",
      "required": true,
      "file_types": [".tif"],
      "bands": [3, 2, 1]
    }
  }
}

3. 运行服务:

python gogogo.py

装饰器参数

• mc_json: 配置文件路径 (默认: "mc.json")
• port: 服务端口 (默认: 从环境变量读取)
• example_path: 示例数据路径 (默认: "examples")
• output_dir: 输出目录 (默认: "outputs")

项目结构

your-project/
├── gogogo.py          # 模型服务启动文件
├── mc.json           # 配置文件
├── model/            # 模型文件夹
│   ├── inference.py  # 模型推理脚本
│   ├── config.json   # 模型配置
│   └── weights.pt    # 模型权重
├── examples/         # 示例数据(可选)
└── outputs/          # 输出目录

配置说明

mc.json结构

• model_info: 模型基本信息
• inputs: 输入字段定义
• outputs: 输出字段定义

支持的数据类型

• geodata: 地理空间数据(.tif, .tiff等)
• file: 普通文件
• folder: 文件夹
• text: 文本输入

高级特性

大文件优化

框架自动检测大文件(>200MB)并使用符号链接优化存储空间，避免不必要的文件复制。

并发支持

支持多用户并发访问，每个请求在独立的工作空间中执行，互不干扰。

预览生成

对于地理数据输出，自动生成预览图片，支持自定义波段组合。

开发

安装开发依赖

pip install -e ".[dev]"

运行测试

pytest

代码格式化

black inoyb/

许可证

MIT License

贡献

欢迎提交Issue和Pull Request！

作者

DiChen - [e-mail]