M2LOrder模型管理实战Python脚本自动扫描/opt目录并生成模型索引表1. 项目背景与需求在实际的AI模型部署和维护过程中我们经常会遇到模型文件分散存储、版本混乱、信息不透明的问题。M2LOrder情感识别系统就是一个典型的例子它包含了97个不同大小的模型文件总计约33GB这些模型文件按照特定的命名规则存储在服务器目录中。传统的管理方式需要人工查看文件列表、统计信息这种方式效率低下且容易出错。我们需要一个自动化的解决方案来自动扫描指定目录下的模型文件解析模型文件的命名规则和元数据生成结构化的模型索引表提供快速的查询和统计功能本文将介绍如何使用Python编写一个轻量级的模型管理工具实现自动扫描和索引生成功能。2. 环境准备与项目结构2.1 所需环境确保你的Python环境包含以下依赖# requirements.txt python3.8 fastapi0.104.0 uvicorn0.24.0 gradio3.50.0 pandas2.0.0 aiofiles23.0.02.2 项目目录结构m2lorder-model-scanner/ ├── app/ │ ├── core/ │ │ ├── scanner.py # 目录扫描核心逻辑 │ │ ├── parser.py # 模型文件解析器 │ │ └── models.py # 数据模型定义 │ ├── api/ │ │ └── main.py # RESTful API接口 │ └── webui/ │ └── main.py # 图形化界面 ├── config/ │ └── settings.py # 配置文件 ├── outputs/ # 生成的索引文件 ├── logs/ # 日志目录 ├── main.py # 主程序入口 └── requirements.txt # 依赖文件3. 核心代码实现3.1 模型文件解析器首先我们需要定义一个模型数据模型和解析逻辑# app/core/models.py from pydantic import BaseModel from typing import List, Optional from datetime import datetime class ModelFile(BaseModel): 模型文件数据模型 filename: str model_id: str timestamp: str version: int size_mb: float full_path: str category: Optional[str] None class Config: json_encoders { datetime: lambda v: v.strftime(%Y-%m-%d %H:%M:%S) } class ModelStats(BaseModel): 模型统计信息 total_files: int total_size_gb: float unique_models: int by_category: dict by_size_range: dict3.2 目录扫描器实现接下来实现目录扫描功能# app/core/scanner.py import os import re from pathlib import Path from typing import List, Dict from .models import ModelFile, ModelStats class ModelScanner: 模型目录扫描器 def __init__(self, base_path: str /opt/ai-models): self.base_path Path(base_path) self.model_pattern re.compile(rSDGB_([A-Z]\d)_(\d)_(\d)\.opt) async def scan_directory(self) - List[ModelFile]: 扫描目录并返回模型文件列表 model_files [] # 递归扫描.opt文件 for opt_file in self.base_path.rglob(*.opt): match self.model_pattern.match(opt_file.name) if match: model_id, timestamp, version match.groups() # 获取文件大小(MB) size_mb opt_file.stat().st_size / (1024 * 1024) # 确定模型类别 category self._categorize_model(model_id, size_mb) model_files.append(ModelFile( filenameopt_file.name, model_idmodel_id, timestamptimestamp, versionint(version), size_mbround(size_mb, 2), full_pathstr(opt_file), categorycategory )) return sorted(model_files, keylambda x: x.model_id) def _categorize_model(self, model_id: str, size_mb: float) - str: 根据模型ID和大小分类 if size_mb 10: return 轻量级 elif size_mb 100: return 中等 elif size_mb 500: return 大型 elif size_mb 1000: return 超大 else: return 巨型 async def generate_stats(self, model_files: List[ModelFile]) - ModelStats: 生成统计信息 total_size_mb sum(m.size_mb for m in model_files) # 按类别统计 by_category {} for model in model_files: by_category[model.category] by_category.get(model.category, 0) 1 # 按大小范围统计 size_ranges { 0-10MB: lambda x: x 10, 10-100MB: lambda x: 10 x 100, 100-500MB: lambda x: 100 x 500, 500-1000MB: lambda x: 500 x 1000, 1000MB: lambda x: x 1000 } by_size_range {range_name: 0 for range_name in size_ranges} for model in model_files: for range_name, condition in size_ranges.items(): if condition(model.size_mb): by_size_range[range_name] 1 break return ModelStats( total_fileslen(model_files), total_size_gbround(total_size_mb / 1024, 2), unique_modelslen(set(m.model_id for m in model_files)), by_categoryby_category, by_size_rangeby_size_range )3.3 索引表生成器# app/core/generator.py import pandas as pd from datetime import datetime from pathlib import Path from typing import List from .models import ModelFile, ModelStats class IndexGenerator: 索引表生成器 def __init__(self, output_dir: str ./outputs): self.output_dir Path(output_dir) self.output_dir.mkdir(exist_okTrue) def generate_excel(self, model_files: List[ModelFile], stats: ModelStats) - str: 生成Excel格式的索引表 # 准备数据 data [] for model in model_files: data.append({ 模型ID: model.model_id, 文件名: model.filename, 时间戳: model.timestamp, 版本: model.version, 大小(MB): model.size_mb, 类别: model.category, 文件路径: model.full_path }) # 创建DataFrame df pd.DataFrame(data) # 生成文件名 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) filename fmodel_index_{timestamp}.xlsx output_path self.output_dir / filename # 写入Excel多个sheet with pd.ExcelWriter(output_path, engineopenpyxl) as writer: # 模型列表 df.to_excel(writer, sheet_name模型列表, indexFalse) # 统计信息 stats_data { 统计项目: [总文件数, 总大小(GB), 唯一模型数], 数值: [stats.total_files, stats.total_size_gb, stats.unique_models] } pd.DataFrame(stats_data).to_excel(writer, sheet_name统计信息, indexFalse) # 分类统计 category_data { 类别: list(stats.by_category.keys()), 数量: list(stats.by_category.values()) } pd.DataFrame(category_data).to_excel(writer, sheet_name分类统计, indexFalse) return str(output_path) def generate_markdown(self, model_files: List[ModelFile], stats: ModelStats) - str: 生成Markdown格式的索引表 timestamp datetime.now().strftime(%Y-%m-%d %H:%M:%S) content [ # M2LOrder 模型索引表, f生成时间: {timestamp}, , ## 统计摘要, f- 总模型文件数: **{stats.total_files}**, f- 总大小: **{stats.total_size_gb} GB**, f- 唯一模型ID数: **{stats.unique_models}**, , ## 分类统计 ] # 添加分类统计 for category, count in stats.by_category.items(): content.append(f- {category}: {count}个) content.extend([ , ## 模型详细列表, | 模型ID | 文件名 | 大小(MB) | 类别 | 版本 |, |--------|--------|----------|------|------| ]) # 添加模型列表 for model in sorted(model_files, keylambda x: x.model_id): content.append(f| {model.model_id} | {model.filename} | {model.size_mb} | {model.category} | {model.version} |) # 保存文件 filename fmodel_index_{datetime.now().strftime(%Y%m%d_%H%M%S)}.md output_path self.output_dir / filename with open(output_path, w, encodingutf-8) as f: f.write(\n.join(content)) return str(output_path)4. 完整应用集成4.1 API接口实现# app/api/main.py from fastapi import FastAPI, HTTPException from fastapi.responses import FileResponse from typing import List import asyncio from app.core.scanner import ModelScanner from app.core.generator import IndexGenerator from app.core.models import ModelFile, ModelStats app FastAPI(titleM2LOrder Model Scanner API) scanner ModelScanner() generator IndexGenerator() app.get(/models, response_modelList[ModelFile]) async def get_models(): 获取所有模型文件列表 try: return await scanner.scan_directory() except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.get(/stats, response_modelModelStats) async def get_stats(): 获取模型统计信息 try: model_files await scanner.scan_directory() return await scanner.generate_stats(model_files) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.get(/export/excel) async def export_excel(): 导出Excel格式的索引表 try: model_files await scanner.scan_directory() stats await scanner.generate_stats(model_files) filepath generator.generate_excel(model_files, stats) return FileResponse(filepath, filenamefilepath.split(/)[-1]) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.get(/export/markdown) async def export_markdown(): 导出Markdown格式的索引表 try: model_files await scanner.scan_directory() stats await scanner.generate_stats(model_files) filepath generator.generate_markdown(model_files, stats) return FileResponse(filepath, filenamefilepath.split(/)[-1]) except Exception as e: raise HTTPException(status_code500, detailstr(e))4.2 Web界面实现# app/webui/main.py import gradio as gr from app.core.scanner import ModelScanner from app.core.generator import IndexGenerator import asyncio scanner ModelScanner() generator IndexGenerator() async def scan_models(): 扫描模型文件 try: model_files await scanner.scan_directory() stats await scanner.generate_stats(model_files) # 构建结果显示 result f扫描完成找到 {stats.total_files} 个模型文件总计 {stats.total_size_gb} GB\n\n result 分类统计:\n for category, count in stats.by_category.items(): result f {category}: {count}个\n return result, model_files except Exception as e: return f扫描失败: {str(e)}, [] async def export_index(format_type): 导出索引文件 try: model_files await scanner.scan_directory() stats await scanner.generate_stats(model_files) if format_type excel: filepath generator.generate_excel(model_files, stats) else: filepath generator.generate_markdown(model_files, stats) return f导出成功: {filepath}, filepath except Exception as e: return f导出失败: {str(e)}, None # 创建Gradio界面 with gr.Blocks(titleM2LOrder模型扫描器) as demo: gr.Markdown(# M2LOrder 模型目录扫描器) gr.Markdown(自动扫描/opt目录下的模型文件并生成索引表) with gr.Row(): scan_btn gr.Button(开始扫描, variantprimary) export_excel_btn gr.Button(导出Excel) export_md_btn gr.Button(导出Markdown) with gr.Row(): output_text gr.Textbox(label扫描结果, lines10, interactiveFalse) file_output gr.File(label下载文件) scan_btn.click(scan_models, outputs[output_text, gr.Dataframe(visibleFalse)]) export_excel_btn.click(export_index, inputsgr.Textbox(excel, visibleFalse), outputs[output_text, file_output]) export_md_btn.click(export_index, inputsgr.Textbox(markdown, visibleFalse), outputs[output_text, file_output]) if __name__ __main__: demo.launch(server_name0.0.0.0, server_port7860)4.3 主程序入口# main.py import uvicorn import argparse from app.api.main import app as api_app from app.webui.main import demo as webui_demo def main(): parser argparse.ArgumentParser(descriptionM2LOrder模型扫描器) parser.add_argument(--mode, choices[api, webui, both], defaultboth, help运行模式: api-only, webui-only, 或两者都运行) parser.add_argument(--api-port, typeint, default8000, helpAPI服务端口) parser.add_argument(--webui-port, typeint, default7860, helpWebUI服务端口) parser.add_argument(--host, default0.0.0.0, help服务监听地址) args parser.parse_args() if args.mode in [api, both]: # 启动API服务 uvicorn.run(api_app, hostargs.host, portargs.api_port) if args.mode in [webui, both]: # 启动WebUI服务 webui_demo.launch(server_nameargs.host, server_portargs.webui_port) if __name__ __main__: main()5. 使用指南与实战演示5.1 快速启动方式方式一使用命令行扫描# 安装依赖 pip install -r requirements.txt # 直接运行扫描默认扫描/opt/ai-models目录 python -c from app.core.scanner import ModelScanner from app.core.generator import IndexGenerator import asyncio async def main(): scanner ModelScanner(/root/ai-models/buffing6517/m2lorder) generator IndexGenerator() model_files await scanner.scan_directory() stats await scanner.generate_stats(model_files) # 生成Excel索引 excel_path generator.generate_excel(model_files, stats) print(fExcel索引已生成: {excel_path}) # 生成Markdown索引 md_path generator.generate_markdown(model_files, stats) print(fMarkdown索引已生成: {md_path}) asyncio.run(main()) 方式二启动Web服务# 启动API服务 python main.py --mode api --api-port 8000 # 启动WebUI界面 python main.py --mode webui --webui-port 7860 # 同时启动两者 python main.py --mode both5.2 定时自动扫描创建定时任务每天自动生成索引# app/core/scheduler.py import asyncio import aioschedule as schedule from datetime import datetime from .scanner import ModelScanner from .generator import IndexGenerator async def daily_scan_task(): 每日自动扫描任务 print(f[{datetime.now()}] 开始每日模型扫描...) scanner ModelScanner() generator IndexGenerator() try: model_files await scanner.scan_directory() stats await scanner.generate_stats(model_files) # 生成索引文件 excel_path generator.generate_excel(model_files, stats) md_path generator.generate_markdown(model_files, stats) print(f[{datetime.now()}] 扫描完成) print(f 生成文件: {excel_path}, {md_path}) except Exception as e: print(f[{datetime.now()}] 扫描失败: {str(e)}) async def run_scheduler(): 运行定时任务 schedule.every().day.at(02:00).do(daily_scan_task) while True: await schedule.run_pending() await asyncio.sleep(60) if __name__ __main__: asyncio.run(run_scheduler())6. 实战效果与价值6.1 生成的实际输出示例Excel索引表包含模型列表Sheet详细列出所有97个模型文件信息统计信息Sheet总体统计数据分类统计Sheet按大小分类的统计Markdown索引表示例# M2LOrder 模型索引表 生成时间: 2026-01-31 10:30:00 ## 统计摘要 - 总模型文件数: **97** - 总大小: **33.08 GB** - 唯一模型ID数: **97** ## 分类统计 - 轻量级: 17个 - 中等: 11个 - 大型: 5个 - 超大: 61个 - 巨型: 3个 ## 模型详细列表 | 模型ID | 文件名 | 大小(MB) | 类别 | 版本 | |--------|--------|----------|------|------| | A001 | SDGB_A001_20250601000001_0.opt | 3.0 | 轻量级 | 0 | | A002 | SDGB_A002_20250601000002_0.opt | 3.1 | 轻量级 | 0 | | ... | ... | ... | ... | ... |6.2 实现的价值收益效率提升从手动统计30分钟 → 自动扫描3秒钟准确性保证避免人工统计错误确保数据100%准确实时监控随时了解模型仓库的状态变化决策支持基于数据的模型选择和使用建议自动化运维集成到CI/CD流程中实现全自动管理6.3 扩展应用场景这个扫描器不仅可以用于M2LOrder系统还可以轻松适配其他AI模型管理系统# 适配其他模型格式示例 class CustomModelScanner(ModelScanner): def __init__(self, base_path: str, pattern: str): super().__init__(base_path) self.model_pattern re.compile(pattern) def _categorize_model(self, model_id: str, size_mb: float) - str: # 自定义分类逻辑 pass # 使用示例 llm_scanner CustomModelScanner( base_path/opt/llm-models, patternrllm_([a-z0-9])_v(\d)\.safetensors )7. 总结通过本文介绍的Python模型扫描器我们成功实现了自动化扫描自动发现和解析模型文件智能分类根据大小自动分类模型多格式输出支持Excel和Markdown两种索引格式Web界面提供友好的图形化操作界面API接口支持程序化调用和集成这个解决方案不仅适用于M2LOrder情感识别系统还可以轻松扩展到其他AI模型管理场景。代码设计采用了模块化架构核心的扫描器、解析器、生成器都可以独立使用或组合扩展。核心价值在于将繁琐的模型管理工作自动化让开发者和运维人员能够更专注于模型的使用和优化而不是基础的文件管理工作。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。