DAMO-YOLO手机检测完整指南：start.sh启动+日志排查+服务管理全流程

1. 引言

你有没有遇到过这样的场景？需要从一堆监控录像里快速找出所有出现手机的片段，或者开发一个应用，自动检查上传的图片里有没有包含手机。传统方法要么靠人眼识别，效率低下，要么自己训练模型，门槛高、周期长。

今天要介绍的，就是阿里巴巴开源的DAMO-YOLO手机检测模型。它专门针对“手机”这一单一类别进行了优化，在保证高精度的同时，速度飞快。官方数据显示，它的平均精度（AP@0.5）达到了88.8%，在T4显卡上用TensorRT加速，推理一张图片只需要3.83毫秒。

更重要的是，这个模型已经封装成了开箱即用的服务。你不需要理解复杂的模型架构，也不用自己写繁琐的部署代码。通过一个简单的启动脚本，几分钟内就能让一个高性能的手机检测服务跑起来。

这篇文章，就是为你准备的从零到一的完整指南。我会手把手带你完成三件事：第一，用start.sh一键启动服务；第二，学会查看和分析服务日志，快速定位问题；第三，掌握服务的日常管理，比如查看状态、停止和重启。无论你是刚接触AI部署的新手，还是需要快速集成检测能力到项目中的开发者，跟着步骤走，都能轻松搞定。

2. 环境准备与快速启动

在开始之前，我们先确认一下基础环境。这个服务是基于PyTorch和ModelScope框架构建的，对系统没有特别苛刻的要求。一个常见的Linux服务器（比如Ubuntu 18.04或CentOS 7）就足够了，确保Python版本在3.7以上。

通常，当你拿到这个项目的压缩包或者从代码仓库克隆下来后，它的目录结构是清晰的。核心文件都在一个主目录下，比如cv_tinynas_object-detection_damoyolo_phone。我们的所有操作都将在这个目录下进行。

2.1 一键启动服务

启动服务最简单的方法，就是使用项目自带的start.sh脚本。这个脚本帮你处理了环境检查、依赖安装（如果需要）、端口占用检查以及后台运行等琐事。

打开你的终端，依次执行以下命令：

# 第一步，进入项目主目录
cd /root/cv_tinynas_object-detection_damoyolo_phone

# 第二步，给启动脚本添加执行权限（如果还没有的话）
chmod +x start.sh

# 第三步，运行启动脚本
./start.sh

执行./start.sh后，你会在终端看到类似的输出，这表明服务正在启动：

正在启动 DAMO-YOLO 手机检测服务...
依赖检查通过。
端口 7860 可用。
服务已启动，进程ID: 12345
日志文件: service.log
访问地址: http://localhost:7860

脚本背后做了什么？ 这个start.sh脚本其实做了好几件贴心的事：

1. 检查Python和pip：确保你的环境能运行Python程序。
2. 安装依赖：自动检查并安装requirements.txt里列出的所有包（如modelscope, gradio, opencv-python等）。
3. 检查端口：确认7860端口没有被其他程序占用。
4. 后台运行：它并不是简单运行python app.py，而是使用nohup命令将服务放到后台运行，并将输出重定向到service.log日志文件，同时把进程ID写入service.pid文件。这样即使你关闭了终端，服务也不会停止。
5. 信息提示：告诉你服务访问地址和日志位置。

2.2 验证服务是否运行成功

启动脚本执行完后，怎么知道服务真的跑起来了呢？有两个快速验证的方法。

方法一：直接访问Web界面 在你的服务器浏览器，或者从你的个人电脑浏览器访问服务器的IP地址和端口。假设你的服务器IP是192.168.1.100，那么就访问：

http://192.168.1.100:7860

如果页面成功加载出一个Web界面，上面有上传图片的按钮和“开始检测”等字样，恭喜你，服务启动成功了！

方法二：检查进程和端口 有时候可能因为网络问题打不开网页，我们可以通过命令来检查。

# 检查是否有python进程在运行我们的app.py
ps aux | grep "python3.*app.py"

# 或者更精确地，检查我们记录的进程ID
cat service.pid  # 查看启动脚本记录的进程号
ps -p `cat service.pid` # 用记录的进程号检查进程状态

# 检查7860端口是否被监听
netstat -tlnp | grep :7860

如果这些命令返回了对应的进程信息和端口监听信息，也说明服务运行正常。

3. 核心功能使用：Web界面与API调用

服务成功启动后，我们就可以来体验它的核心功能了。它提供了两种使用方式：对普通用户友好的Web界面，和对开发者友好的Python API。

3.1 Web界面交互：像用App一样简单

通过浏览器访问服务地址（如http://localhost:7860），你会看到一个简洁的Gradio界面。使用起来非常直观，只需要四步：

1. 上传图片：点击“上传”区域，从你的电脑选择一张包含手机的图片。界面上通常也会提供几张示例图片，你可以直接点击使用。
2. 调整参数（可选）：有些界面会提供置信度阈值（Confidence Threshold）的滑动条。阈值越高，模型越“保守”，只输出它非常确信是手机的框；阈值越低，它越“敏感”，可能会把一些像手机的物体也框出来。初次使用可以用默认值（比如0.5）。
3. 开始检测：点击“Submit”或“开始检测”按钮。
4. 查看结果：几秒钟后，右侧会显示处理后的图片。所有检测到的手机都会被一个绿色的矩形框框出来，框的旁边还会标注“phone”和一个小数（比如0.95），这个小数就是置信度，表示模型有95%的把握认为这里是个手机。

你可以多换几张不同的图片试试，比如在复杂背景下的手机、多部手机、或者手机只露出一部分的图片，看看模型的识别能力如何。

3.2 Python API调用：集成到你的代码中

如果你需要把这个检测能力集成到你自己的Python程序、自动化脚本或者后端服务里，那么直接调用API是最佳选择。ModelScope框架让这一切变得非常简单。

在你的Python代码中，可以这样调用：

# 导入必要的库
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
import cv2

# 第一步：创建检测管道（pipeline）
# 这行代码会加载模型，第一次运行时会从网上下载模型文件到缓存目录
phone_detector = pipeline(
    task=Tasks.domain_specific_object_detection, # 指定任务为“特定领域目标检测”
    model='damo/cv_tinynas_object-detection_damoyolo_phone', # 模型ID
    cache_dir='/root/ai-models', # 模型缓存路径，和启动脚本里保持一致
    trust_remote_code=True # 信任并运行模型自带的代码
)

# 第二步：进行推理
# 方式A：直接传入图片路径
result = phone_detector('path/to/your/image.jpg')

# 方式B：传入OpenCV读取的图片（numpy数组）
img = cv2.imread('path/to/your/image.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 通常模型需要RGB格式
result = phone_detector(img_rgb)

# 第三步：解析结果
print(result)

运行上面的代码，result变量会是一个字典，里面包含了详细的检测信息。通常结构如下：

{
  'scores': [0.98, 0.87], # 各个检测框的置信度列表
  'labels': ['phone', 'phone'], # 标签列表（这里全是‘phone’）
  'boxes': [[x1, y1, x2, y2], [x1, y1, x2, y2]] # 检测框坐标列表，格式为左上角(x1,y1)和右下角(x2,y2)
}

你可以轻松地遍历这些框，把它们画到原图上，或者根据框的位置进行后续处理。

4. 服务管理与日志排查实战

服务跑起来只是第一步，日常运维中，知道如何管理服务状态、如何查看日志解决问题，才是保证服务稳定运行的关键。

4.1 服务状态管理命令

服务在后台运行，我们有一套简单的命令来管理它的生命周期。

# 1. 查看服务运行状态（最常用）
# 这会列出所有包含‘app.py’的进程，你可以看到进程ID、CPU内存占用、启动时间等。
ps aux | grep "python3.*app.py"

# 2. 优雅停止服务
# 使用kill命令，发送终止信号给进程。`cat service.pid`会读取启动时保存的进程号。
kill $(cat service.pid)
# 停止后，再次用上面的ps命令检查，应该找不到该进程了。

# 3. 重启服务
# 有时候更新了代码或者配置，需要重启。先停止，再启动。
kill $(cat service.pid)
./start.sh

# 4. 强制杀死服务（如果优雅停止无效）
# 先用ps找到进程ID，比如是12345
kill -9 12345
# 注意：-9是强制终止信号，可能导致资源未正确释放，非必要不使用。

4.2 日志查看与问题诊断

start.sh脚本将服务的所有输出（包括正常信息和错误信息）都记录到了service.log文件中。这个日志文件是我们排查问题的“黑匣子”。

实时跟踪日志 当服务刚启动，或者你想看看当前有没有新的请求或错误时，可以使用tail -f命令实时查看日志尾部新增的内容。

tail -f service.log

执行后，终端会“挂起”并持续显示日志文件的最新内容。按 Ctrl+C 可以退出实时跟踪。

查看历史日志 如果想看完整的日志文件，或者查找特定时间段的信息，可以用cat, less或grep命令。

# 查看全部日志（如果文件很大，谨慎使用）
cat service.log

# 分页查看，方便浏览
less service.log

# 搜索包含“ERROR”或“error”的日志行，快速定位错误
grep -i error service.log

# 搜索最近100行日志中包含“port”的行
tail -n 100 service.log | grep -i port

常见日志分析与问题解决 下面列举几个你可能会在日志中看到的常见信息及处理方法：

1. 端口占用错误

   Error: Port 7860 is already in use.
   

   解决方法：这说明7860端口被其他程序占用了。你可以换一个端口，或者停掉占用端口的程序。

   # 查找哪个进程占用了7860端口
   lsof -i:7860
   # 或者
   netstat -tlnp | grep :7860
   # 找到进程ID后，决定是否终止它，或者修改app.py里的端口号重新启动。
   

2. 模型下载失败或网络错误

   ConnectionError: Failed to download model ...
   

   解决方法：首次运行需要从ModelScope仓库下载模型文件。这通常是网络问题。检查服务器网络，或者手动下载模型文件放到缓存目录/root/ai-models/iic/cv_tinynas_object-detection_damoyolo_phone/下。

3. 依赖包缺失或版本冲突

   ModuleNotFoundError: No module named 'gradio'
   

   解决方法：start.sh脚本应该会自动安装依赖。如果失败，可以手动安装。

   pip install -r requirements.txt
   

   如果遇到特定包版本冲突，可以尝试单独安装指定版本，或查看requirements.txt文件。

4. CUDA/GPU相关错误

   CUDA error: out of memory
   

   解决方法：显存不足。DAMO-YOLO模型很小，通常不会出现这个问题。如果遇到，可以尝试减少同时处理的图片数量（如果API支持批量处理），或者检查是否有其他程序占用了大量显存。

当遇到问题时，不要慌，仔细阅读日志文件中的错误信息（通常就在最后几行），搜索引擎是很好的帮手，大部分常见错误都能找到解决方案。

5. 项目结构与配置解析

了解项目的文件结构，能帮助你在需要自定义或调试时更快地找到方向。让我们看看项目根目录下都有哪些关键文件：

cv_tinynas_object-detection_damoyolo_phone/
├── app.py                    # 【核心】Gradio Web服务主程序
├── start.sh                  # 【核心】一键启动和管理的Shell脚本
├── requirements.txt          # Python依赖包列表
├── configuration.json        # 模型配置文件（超参数、类别等）
├── damoyolo.py               # DAMO-YOLO模型网络结构定义
├── service.pid               # 【运行时生成】记录后台服务进程ID
├── service.log               # 【运行时生成】服务运行日志
└── assets/
    └── demo/                 # 存放Web界面使用的示例图片

• app.py：这是整个Web服务的入口。它使用Gradio库创建了我们在浏览器里看到的界面，并调用了ModelScope的pipeline来处理图片。如果你想修改Web界面的布局、样式，或者增加新的功能（比如批量上传），就需要修改这个文件。
• start.sh：我们一直在用的启动脚本。如果你需要改变启动端口、日志路径或者运行方式，可以编辑这个脚本。
• configuration.json：这个文件定义了模型的一些元数据，比如输入图片的尺寸、检测的类别名称（这里只有phone）等。一般情况下不需要改动。
• damoyolo.py：包含了DAMO-YOLO模型的神经网络层定义。这是算法核心部分，除非你要深入研究模型架构或进行魔改，否则不需要动它。
• requirements.txt：列出了运行所需的所有Python包及其版本。当你迁移到新环境时，用pip install -r requirements.txt可以一键复现环境。

6. 总结

通过这篇指南，我们完整地走通了DAMO-YOLO手机检测模型的部署、使用和管理全流程。我们来回顾一下关键点：

启动很简单：核心就是进入项目目录，运行那个万能的./start.sh脚本。它会帮你处理好依赖、端口，并把服务稳稳地跑在后台。

使用很灵活：你可以通过直观的Web页面上传图片、立刻看到检测结果，也可以在自己的Python代码里通过几行API调用，把强大的手机检测能力集成到任何自动化流程或应用中。

管理有方法：服务状态用ps aux | grep来查，停止服务用kill $(cat service.pid)，查看实时日志用tail -f service.log。掌握了这几条命令，日常的运维和问题排查就都有了抓手。

这个基于DAMO-YOLO的方案，最大的优势就是在精度（88.8% AP）和速度（3.83ms）之间取得了很好的平衡，并且封装完善，开箱即用。无论是用于内容安全审核、会议室手机检测，还是作为你某个复杂视觉系统中的一个模块，它都是一个可靠且高效的选择。

下次当你再需要手机检测功能时，不必从头造轮子，记得这个已经为你准备好的“利器”。

---

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。