DAMOYOLO-S用于内网穿透测试在无公网IP服务器部署与访问1. 引言很多朋友在本地服务器上跑通了DAMOYOLO-S模型想给同事或者客户演示一下效果结果发现服务器在公司内网或者家里没有公网IP外面根本访问不了。这时候内网穿透就成了一个非常实用的解决方案。简单来说内网穿透就像给你的本地服务器装了一个“对外窗口”。它能把你在内网部署的服务安全地映射到公网上让外网的人也能通过一个公网地址来访问。这对于模型测试、临时演示、远程调试来说非常方便。今天这篇教程我就手把手带你走一遍这个流程。我们会先在内网服务器上把DAMOYOLO-S的服务跑起来然后用一个流行的工具把它“穿透”出去最后从外网访问测试。整个过程我会尽量用最直白的话讲清楚即使你之前没接触过网络配置跟着做也能搞定。2. 环境准备与DAMOYOLO-S本地部署在开始“穿透”之前我们得先确保DAMOYOLO-S在本地是正常工作的。这一步是基础如果本地都跑不通穿透出去也没意义。2.1 基础环境检查首先登录你的内网服务器就是那台没有公网IP的机器。打开终端检查一下基本的依赖。# 检查Python版本建议使用3.8或以上 python3 --version # 检查pip是否已安装 pip3 --version # 如果有GPU检查CUDA和cuDNN非必须但能加速 nvidia-smi如果你的系统缺少Python或者pip需要先安装它们。以Ubuntu系统为例可以这样安装sudo apt update sudo apt install python3 python3-pip -y2.2 部署DAMOYOLO-S推理服务DAMOYOLO-S是一个轻量且高效的目标检测模型我们这里用一个简单的基于Flask的Web服务来暴露它的API。首先创建一个项目目录并进入。mkdir damoyolo_demo cd damoyolo_demo然后创建一个requirements.txt文件列出需要的Python包。torch1.7.0 torchvision0.8.0 flask2.0.0 opencv-python4.5.0 Pillow8.0.0安装这些依赖。pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple接下来我们需要下载DAMOYOLO-S的模型权重。你可以从其官方GitHub仓库找到下载链接。这里我们假设你下载好了权重文件damoyolo_s.pth并放在了当前目录下。现在创建我们的主应用文件app.py。from flask import Flask, request, jsonify import torch import cv2 import numpy as np from PIL import Image import io import time app Flask(__name__) # 加载模型这里用伪代码示意实际加载方式需参考DAMOYOLO官方文档 # 假设我们有一个加载好的模型 model print(正在加载DAMOYOLO-S模型...) # model load_your_damoyolo_model(damoyolo_s.pth) model None # 实际使用时替换为真实的模型加载代码 print(模型加载完成。) app.route(/health, methods[GET]) def health_check(): 健康检查端点 return jsonify({status: healthy, model_loaded: model is not None}) app.route(/predict, methods[POST]) def predict(): 预测接口接收图片返回检测结果 if image not in request.files: return jsonify({error: No image file provided}), 400 file request.files[image] image_bytes file.read() # 将字节流转换为OpenCV格式 nparr np.frombuffer(image_bytes, np.uint8) img cv2.imdecode(nparr, cv2.IMREAD_COLOR) if img is None: return jsonify({error: Could not decode image}), 400 # 在此处添加实际的模型推理代码 # 例如results model.predict(img) # 为了演示我们返回一个模拟结果 height, width img.shape[:2] mock_result { detections: [ { bbox: [width*0.2, height*0.2, width*0.4, height*0.4], # [x1, y1, x2, y2] label: person, confidence: 0.95 } ], inference_time: 0.045 # 模拟推理时间 } return jsonify(mock_result) if __name__ __main__: # 在本地5000端口启动服务host0.0.0.0允许所有网络接口访问 app.run(host0.0.0.0, port5000, debugFalse)代码说明我们创建了一个Flask应用提供了两个接口/health用于健康检查/predict用于图片目标检测。在/predict接口中我们接收一张图片并返回一个模拟的检测结果。在实际使用时你需要将模型加载和推理部分的伪代码替换成DAMOYOLO-S真实的推理代码。app.run(host0.0.0.0, port5000)这行很关键它让服务监听本机的所有IP地址包括内网IP的5000端口。现在在终端运行这个服务python3 app.py如果看到输出显示* Running on http://0.0.0.0:5000说明服务启动成功了。2.3 本地测试服务打开另一个终端或者在你服务器的浏览器里测试一下服务是否正常。# 测试健康检查接口 curl http://127.0.0.1:5000/health你应该会收到一个JSON响应{status:healthy, model_loaded: false}。model_loaded为false是因为我们用了伪代码不影响穿透测试。至此DAMOYOLO-S的本地服务已经部署完成并且可以在内网中通过http://[你的内网IP]:5000来访问。下一步我们就要把这个“内网服务”变成“公网服务”。3. 内网穿透工具配置实战内网穿透工具有很多比如frp、ngrok、花生壳等。这里我选择用frp来演示因为它开源、免费、配置灵活而且性能不错。整个架构需要两部分客户端运行在你的内网服务器上和服务端运行在一台有公网IP的服务器上也称为“跳板机”或“中转服务器”。3.1 准备一台有公网IP的服务器你需要准备另一台服务器它必须有公网IP并且防火墙开放相关端口。这台服务器可以是云服务商如阿里云、腾讯云购买的最低配ECS也可以是朋友提供的某个公网机器。记下它的公网IP地址假设为123.123.123.123。3.2 配置FRP服务端登录到你的公网IP服务器。下载FRP去FRP的GitHub发布页根据你服务器的操作系统下载对应的版本。比如对于Linux x86_64wget https://github.com/fatedier/frp/releases/download/v0.51.3/frp_0.51.3_linux_amd64.tar.gz tar -zxvf frp_0.51.3_linux_amd64.tar.gz cd frp_0.51.3_linux_amd64编辑服务端配置文件FRP服务端的配置文件是frps.ini。vi frps.ini输入以下基本配置[common] bind_port 7000 # 客户端连接服务端使用的端口 token your_secure_token_here # 认证令牌建议设置一个强密码 dashboard_port 7500 # 仪表板端口用于查看状态 dashboard_user admin # 仪表板用户名 dashboard_pwd admin_pwd # 仪表板密码 # 下面这行很重要允许客户端绑定自定义端口到公网 allow_ports 6000-6005, 5000配置说明bind_portFRP客户端通过这个端口连接到服务端。token用于客户端和服务端之间的认证增强安全性。dashboard_port/user/pwdWeb管理界面方便查看连接状态。allow_ports允许客户端映射到公网的端口范围。这里我们允许了6000-6005和5000端口。我们打算把内网的5000端口映射出去。启动FRP服务端./frps -c ./frps.ini为了让它一直在后台运行可以使用nohup或配置成系统服务。nohup ./frps -c ./frps.ini frps.log 21 现在FRP服务端已经在你的公网服务器上运行起来了监听者7000端口用于客户端连接和7500端口用于管理面板。3.3 配置FRP客户端回到你的内网服务器就是跑DAMOYOLO-S的那台。同样下载FRPwget https://github.com/fatedier/frp/releases/download/v0.51.3/frp_0.51.3_linux_amd64.tar.gz tar -zxvf frp_0.51.3_linux_amd64.tar.gz cd frp_0.51.3_linux_amd64编辑客户端配置文件客户端的配置文件是frpc.ini。vi frpc.ini输入以下配置[common] server_addr 123.123.123.123 # 你的公网服务器IP server_port 7000 # 对应服务端的bind_port token your_secure_token_here # 必须和服务端设置的token一致 [damoyolo-web] # 自定义一个代理规则名称 type tcp # 代理类型我们做TCP端口转发 local_ip 127.0.0.1 # 本地服务的IP因为frpc和DAMOYOLO服务在同一台机器 local_port 5000 # 本地服务的端口即DAMOYOLO-S Flask应用的端口 remote_port 6000 # 在公网服务器上暴露的端口配置说明server_addr/port/token告诉客户端去哪里找服务端以及用什么密码连接。[damoyolo-web]一个代理规则的名称可以自定义。type tcp我们将本地的一个TCP服务Flask Web服务转发出去。local_ip:local_port指定本地哪个服务的哪个端口需要被转发。remote_port这是最关键的一项。它指定了在公网服务器上开放哪个端口。外网用户将通过访问公网IP:remote_port来访问你内网的服务。这里我们设置为6000。启动FRP客户端./frpc -c ./frpc.ini同样建议用nohup放到后台运行nohup ./frpc -c ./frpc.ini frpc.log 21 如果连接成功你会在客户端日志或服务端的管理面板http://你的公网IP:7500用之前设置的用户名密码登录看到[damoyolo-web]这个代理的状态是“在线”。4. 公网访问测试与验证配置完成后我们来验证一下穿透是否成功。从外网测试健康检查找一台不在你内网的电脑比如你的手机用4G/5G网络或者另一台云服务器使用curl或浏览器访问。# 格式http://公网服务器IP:remote_port/health curl http://123.123.123.123:6000/health如果返回{status:healthy, model_loaded: false}那么恭喜你内网穿透成功了外网已经可以访问到你内网的DAMOYOLO-S服务了。测试预测接口我们可以用一张图片来测试/predict接口。在外网机器上准备一张图片test.jpg然后使用curl发送POST请求。curl -X POST -F image./test.jpg http://123.123.123.123:6000/predict你应该会收到之前我们在代码里模拟的那个JSON检测结果。通过浏览器访问可选如果你的DAMOYOLO-S服务提供了前端页面或者你想测试更复杂的交互现在就可以直接在浏览器地址栏输入http://123.123.123.123:6000进行访问了。5. 安全注意事项与实用建议把内网服务暴露到公网安全是头等大事。这里给你几点非常重要的建议使用强TokenFRP配置中的token不要使用默认的或简单的密码应该使用长且复杂的随机字符串。限制访问端口在FRP服务端配置中通过allow_ports严格限制可以映射到公网的端口范围不要开放太大范围如1-65535。防火墙设置在你的公网服务器防火墙如iptables,ufw或云服务商的安全组中只开放必要的端口如我们例子中的7000, 7500, 6000并限制访问源IP如果可能的话。HTTPS加密我们上面的例子是HTTP明文传输。如果服务涉及敏感数据务必配置HTTPS。FRP支持TCP over TLS或者你可以在公网服务器上用Nginx反向代理并配置SSL证书。仅为测试演示这种穿透方式非常适合临时测试、演示或开发调试。不建议用于长期生产环境或暴露核心业务。生产环境应考虑更安全的网络架构如VPN、专线等。服务鉴权在你的DAMOYOLO-S Flask应用层面可以考虑增加简单的API Key验证避免服务被任意调用。6. 总结走完这一遍你会发现把内网的DAMOYOLO-S服务暴露到公网其实并没有想象中那么复杂。核心就是两步第一步确保你的模型服务在本地能正常跑起来并监听网络端口第二步通过FRP这样的工具在公网服务器和内网服务器之间搭一座“桥”把流量引进来。这种方式特别适合那些需要临时给外部展示成果、进行远程联调或者在没有公网IP的开发测试环境中验证服务可用性的场景。它帮你绕开了申请公网IP、配置复杂路由的麻烦。当然就像最后强调的方便的同时一定不能忘了安全。测试完记得及时关闭FRP服务长期不用的话最好把公网服务器的相关端口也关掉。希望这个教程能帮你顺利搞定内网穿透测试让你们的模型演示和协作变得更轻松。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。