AIHUB 模型市场使用指南

想了解如何在平台 AIHUB 模型市场中浏览/部署开源模型、调用推理接口（同步/异步）、做自动标注、微调或二次开发时读这篇

平台使用 / 数据智能与市场

AIHUBaihub模型市场model market开源模型一键部署在线推理异步推理async inferenceCeleryLabelStudio自动化标注模型微调fine-tune模型应用Web应用

AIHUB 模型市场使用指南

1. 概述

AIHUB 是 CubeStudio 平台提供的开源模型仓库，集成了大量可商用的开源 AI 模型，覆盖以下领域：

计算机视觉：图像分类、目标检测、图像生成、人脸识别等
自然语言处理：文本分类、情感分析、机器翻译、对话系统等
语音处理：语音识别、语音合成、声纹识别等
多模态模型：图文理解、图文生成、视频分析等

AIHUB 旨在为用户提供一站式模型服务，支持模型的快速部署、在线推理、自动化标注、微调训练和二次开发，大幅降低 AI 模型的应用门槛。

注意：文中“400+ 可商用开源模型”为总览性数字，实际可用模型数量随平台版本与上架情况变化，请以平台模型市场页面展示为准。

2. 快速入门

2.1 前提条件

已部署 CubeStudio 平台并拥有有效账户
具备相应项目空间的访问权限
确保集群有足够的计算资源（CPU/GPU、内存）

2.2 部署第一个模型

进入模型市场：在 CubeStudio 导航栏中选择“AIHUB”
浏览模型：通过分类、搜索或标签筛选找到目标模型
一键部署：点击模型卡片上的“部署 Web”按钮
等待启动：系统将自动创建推理服务 Pod，状态变为 Running 即表示部署成功
体验效果：点击模型图片进入 Web 界面

3. 模型部署

3.1 部署流程

选择模型：在模型市场中找到适合的模型
启动部署：点击“部署 Web”，系统将自动跳转到 Pod 部署页面
监控状态：等待 Pod 状态变为 Running（通常包括镜像拉取、健康检查等步骤，约需 1-3 分钟）
访问应用：部署成功后，可通过 Web 界面体验模型效果

3.2 资源管理

释放资源：对于不再需要的模型，点击“卸载 Web”即可释放相关资源
资源监控：若部署失败，请检查集群资源是否充足，可释放其他闲置应用后重试

4. 模型推理

4.1 推理接口

模型部署成功后，系统会自动提供以下接口：

HTTP API 接口：用于程序化调用模型推理服务
自动化标注接口：与 LabelStudio 等标注平台集成，支持自动标注（部分模型）

4.2 使用方式

4.2.1 Web 界面推理

直接通过浏览器访问部署后的 Web 界面，上传数据并查看推理结果
支持实时交互，适合演示和快速验证

4.2.2 同步 API 调用

每个 AIHUB 应用的同步推理接口路径形如 /aihub/<model_name>/api/model/<model_name>/version/<version>/，使用 POST 方法，请求体为该模型的推理参数（JSON），字段名与模型在 Web 界面中暴露的输入项一致（例如图像类模型常用 image，文本类常用 text）。

# 示例：调用同步推理接口（参数字段依模型而定）
curl -X POST \
  'http://<service-address>/aihub/<model_name>/api/model/<model_name>/version/<version>/' \
  -H 'Content-Type: application/json' \
  -d '{"image": "https://your-host/your_image.jpg"}'

说明：同步推理端点路径由应用服务自动注册，见 aihub/src/cubestudio/aihub/web/server.py:628（inference_url）与 aihub/src/cubestudio/aihub/web/celery_app.py:63。早期文档中出现的 /predict 仅为示意，并非实际路径。

4.2.3 异步调用

异步推理适用于大批量数据处理、非实时决策等无需立即获取结果的场景。系统通过 Celery + Redis 任务队列有序调度推理任务，避免高并发时服务卡顿。

前提：异步接口仅在应用容器配置了有效的 REDIS_URL 环境变量时才启用（非本地默认值）。启用后服务会自动拉起一个 Celery Worker 消费按 APPNAME 命名的队列。见 aihub/src/cubestudio/aihub/web/server.py:449。

统一接口地址：/aihub/<model_name>/api/async/，通过 HTTP 方法区分操作：

方法	用途	参数
POST	提交推理任务	Body：推理参数或 `{"tasks": [...]}`
GET	查询任务状态	Query：`?task_ids=id1,id2`
DELETE	取消任务	Body：`{"task_ids": ["id1","id2"]}`

提交任务（POST）

单条提交：直接传推理参数，和同步接口入参一致。批量提交：用 tasks 数组包裹多组参数。可选传 callback_url，推理完成后系统会主动 POST 通知。

# 单条提交
curl -X POST \
  http://<service-address>/aihub/<model_name>/api/async/ \
  -H 'Content-Type: application/json' \
  -d '{"text": "your_data_here"}'

# 批量提交（带回调）
curl -X POST \
  http://<service-address>/aihub/<model_name>/api/async/ \
  -H 'Content-Type: application/json' \
  -d '{
    "tasks": [
      {"text": "data_1"},
      {"text": "data_2"}
    ],
    "callback_url": "http://your-server/callback"
  }'

返回示例：

{"status": 0, "task_ids": ["abc123", "def456"], "message": "已提交 2 个异步推理任务"}

查询状态（GET）

通过 task_ids 查询参数（逗号分隔）轮询任务进度，状态值包括 PENDING（排队中）、PROCESSING（推理中）、SUCCESS（完成）、FAILURE（失败）。其中 PROCESSING 为任务开始执行时主动设置的自定义状态（见 aihub/src/cubestudio/aihub/web/celery_app.py:60）。

curl "http://<service-address>/aihub/<model_name>/api/async/?task_ids=abc123,def456"

返回示例：

{
  "status": 0,
  "data": [
    {"task_id": "abc123", "state": "SUCCESS", "result": {"status": 0, "result": [{"text": "推理结果"}]}},
    {"task_id": "def456", "state": "PROCESSING"}
  ]
}

取消任务（DELETE）

仅非终态（即 SUCCESS / FAILURE 以外）的任务可取消；已终态的任务会返回“无法取消”。

curl -X DELETE \
  http://<service-address>/aihub/<model_name>/api/async/ \
  -H 'Content-Type: application/json' \
  -d '{"task_ids": ["abc123"]}'

回调通知

提交任务时若指定了 callback_url，推理完成或失败后系统会向该地址 POST 通知（成功带 result，失败带 error）：

{"task_id": "abc123", "state": "SUCCESS", "result": {"status": 0, "result": [{"text": "推理结果"}]}}

4.2.4 自动化标注

配置 LabelStudio 等标注工具，将 AIHUB 模型作为预测后端
支持批量数据自动预标注，提升标注效率

5. 模型微调

5.1 微调流程

对于预训练模型无法直接满足需求的场景，部分模型支持一键微调功能：

选择模型：在模型市场点击目标模型的“训练”按钮
进入微调界面：系统自动跳转到模型训练 Pipeline 配置页面
配置数据：在 Task 节点处配置训练数据和评估数据
- 支持从本地、对象存储、数据库等多种数据源导入
- 提供示例数据集供快速体验
启动训练：点击“运行 Pipeline”，系统自动创建训练任务
监控进度：通过 Pipeline 可视化界面实时监控训练状态和指标

注意：支持一键微调的模型清单随平台版本变化，请以模型市场中各模型是否提供“训练”按钮为准。

5.2 注意事项

数据格式：确保训练数据符合模型要求的格式
资源需求：微调通常需要更多计算资源（尤其是 GPU）
超参数调整：可根据需求调整学习率、批量大小等超参数
模型保存：微调后的模型会自动保存，可用于后续部署

6. 模型开发

6.1 开发流程

当 AIHUB 应用无法满足你的需求，可进行应用的二次开发：

进入开发界面：点击模型的“开发”按钮
获取代码：系统提供完整的模型应用代码，包括 Dockerfile、启动脚本等
修改代码：基于业务需求修改模型逻辑、添加新功能，在 notebook 中运行
若你想把修正后的代码更新到平台的 AIHUB 应用市场，需要参考下面的开发文档和视频教程

6.2 开发指南

开发文档：参见「06-二次开发」段的 AIHUB 应用开发指南（AIHUB 算法应用开发）
视频教程：AIHUB 应用开发视频教程

7. 故障排查

7.1 日志查看

Pod 日志：通过 Kubernetes Dashboard 或 kubectl logs 查看
应用日志：在容器内的 /log.txt 查看应用（Gradio）相关日志

最后更新 2026-07-04完整文档以官方仓库为准：GitHub Wiki