沐曦算力运维助手 — YOLO 训练平台

第八届 CCF 开源创新大赛 · 沐曦「国产开源 GPU AI 创新生态赛」任务二参赛作品战队：能工智人

面向沐曦（MetaX）C500 国产 GPU 的 YOLO 训练平台与运维监控系统。通过 Web UI + MCP 协议，用户可以完成 YOLO 模型训练、推理检测、GPU 监控和资源管理全流程，无需命令行操作。

项目特点

国产算力适配：mx-smi 监控沐曦 C500 GPU + Gitee.AI LLM 推理，未使用 OpenAI 等外部服务
MCP 工具体系：15 个 MCP 工具（GPU 监控、作业管理、YOLO 训练/推理），streamable-http 传输
一键零依赖部署：全新服务器只需 Python >= 3.10，start.sh 自动安装全部依赖
自定义数据集训练：自动修复 YAML 路径、图片目录标准化、任务类型推断、模型兼容性检查
AI 运维编排：自然语言驱动，ReAct 循环调用 MCP 工具 + 服务器诊断命令
实时监控：GPU 指标曲线、训练 Loss/mAP、服务日志 SSE 实时流

功能概览

模块	功能
总览	统计卡片 + 系统指标 + GPU 状态 + MCP 工具连接状态
服务器	节点列表 + GPU 详情/曲线 + AI 诊断助手
训练	训练配置 + 数据集/模型导入 + 高级参数 + AI 调优
任务	任务列表 + 详情 + 指标曲线 + 日志
模型	预训练 + 训练产出自动扫描 + 任务类型推断
推理	图片/视频上传 + 模型选择 + 结果展示
日志	实时服务日志 SSE 流（API/MCP/Web/部署）
设置	AI 配置（API Key + 模型名称）+ 服务器/节点信息

克隆仓库

git clone https://www.gitlink.org.cn/muluzhe/metax-gpu-ops-agent

快速部署

cd /data/metax-gpu-ops-agent
bash start.sh start

启动后访问：

服务	地址
Web 前端	http://localhost:3001
API 后端	http://localhost:8007
API 文档	http://localhost:8007/docs
MCP Server	http://localhost:8765/mcp

环境要求

Python >= 3.10
mx-smi（沐曦 GPU 管理接口，可选；缺失时自动 mock 回退为 1 卡 16GB C500 演示数据）

全新服务器零依赖：只需 Python >= 3.10 和 bash，start.sh 自动安装 git、curl、Node.js、ultralytics 等全部依赖。

部署指令

# 一键启动（自动安装全部依赖 + 启动服务）
bash start.sh start

# 仅部署环境（不启动服务）
bash start.sh setup

# 服务管理
bash start.sh stop        # 停止
bash start.sh restart     # 重启
bash start.sh status      # 状态（含 YOLO 环境检测）
bash start.sh diagnostics # 环境诊断
bash start.sh logs        # 实时日志

一键部署自动完成：

安装系统依赖（git、curl、libGL）
安装 Node.js >= 18（NodeSource apt → conda → 预编译二进制）
创建 Python 虚拟环境 + 安装依赖（含 ultralytics）
克隆 ultralytics 仓库到 /data/ultralytics（GitHub → 国内加速镜像 → PyPI 三级后备）
启动 MCP Server + API 后端 + Web 前端

AI 配置

启动后进入 Web UI → 设置页面，填入 API Key 和模型名称即可使用 AI 功能，保存后运行时生效无需重启：

API Key：Gitee AI 访问令牌（https://ai.gitee.com 工作台 → 访问令牌）
模型名称：如 InternVL3-78B、GLM-4.7-Flash

也可通过环境变量配置：

export LLM_API_KEY=你的GiteeAI访问令牌
export LLM_MODEL=InternVL3-78B
bash start.sh start

不配置 AI Key 时，GPU 监控、YOLO 训练、推理等功能正常，仅 AI 自然语言编排不可用。

自定义数据集训练

Web UI → 训练页面 → 数据集导入（上传 YAML/ZIP）
选择数据集和模型，设置训练参数
系统自动处理：
- YAML 路径修正（path/train/val 指向不存在时自动修复）
- 图片目录标准化（image → images）
- 任务类型推断（检测到 kpt_shape → pose，mask → segment）
- 模型兼容性检查（不匹配时自动回退到兼容预训练模型）

技术栈

层	技术	说明
前端	React 19 + Ant Design 5 + Recharts	深色科技风运维控制台
后端	FastAPI + Uvicorn	RESTful API，端口 8007
MCP Server	MCP Python SDK	15 个工具，端口 8765
训练	Ultralytics YOLO 8.4	detect/pose/segment/classify/obb
GPU 监控	mx-smi (沐曦 MACA)	真实 GPU 数据采集

文档

详细项目信息和实现请参阅 docs/ 目录：

docs/TECHNICAL_REPORT.md — 完整技术报告（设计方案、实现逻辑、测试结果、创新点）
docs/ARCHITECTURE.md — 系统架构说明（三层架构、MCP 工具、训练生命周期、安全设计）
docs/API_REFERENCE.md — API 端点参考（39 个端点、错误码、SSE 说明）
docs/开发记录.md — 开发过程记录（功能设计、技术难点、解决方案、验证结果）

故障排查

bash start.sh diagnostics    # 环境诊断
bash start.sh logs           # 实时日志
cat /data/yolo_jobs/<job_id>/runner.log  # 训练任务日志

常见问题：

CUDA 不可用：当前 PyTorch 不支持沐曦 MACA，训练自动回退到 CPU 模式，属正常现象
libGL 缺失：脚本已自动安装 opencv-python-headless 替代
训练失败：系统已自动处理数据集路径/格式/模型兼容性问题，可通过日志页面查看详情
字体下载超时：训练时从 github.com 下载 Arial.ttf 超时，系统已自动预置系统字体替代并设置离线模式

License

Apache-2.0