优维HAO案例:全球TOP15汽车零件供应商「IT运维自动化」创新工程

图片

 撰文:鹿小U  /  制图:脾气超好

图片

图片

又是一家很厉害的客户。

YADT是全(huò)球(zhēn)领(jià)先(shí)的汽车座椅供应商,拥有从汽车座椅零部件到整椅的完整生产制造能力,为中国几乎所有的汽车制造商提供汽车整椅产品和服务。

YADT在国内拥有广泛的生产基地布局,分布在上海、沈阳、武汉、广州等十数个核心城市,其整椅产品在国内汽车座椅市占率达到约30%,坐稳行业头部交椅。

除了整椅业务,YADT还为小鹏、比亚迪、合众、广汽等车企提供精密塑胶模具、塑胶制品、碳纤维制品等产品和服务,海外则设有泰国制造基地及欧洲、北美办事处,产品远销多个国家和地区。

在《美国汽车新闻》发布的2024年度全球汽车零部件配套供应商百强榜中,YADT排名第15位,截至2023年,YADT汽车配套业务营收为155.13亿美元,在全球汽车零部件行业具备强劲的综合竞争力。

图片

图片

Ø IT资源管理能力薄弱:总部对各基地资源管控成本较高,需要人工进行资源数据维护

  • 多基地资源分散:YADT多地设厂,IT 资源分散各地,总部收集各基地资源情况耗费人力物力,管控成本高。

  • 人工维护问题:依赖人工维护数据,效率低且易出错,影响资源管控与决策,加上系统差异,整合资源数据困难。

Ø 全国工厂IT信息不透明:每个工厂单独维护IT资源,各工厂间资源难以统一管理

  • 信息孤岛:各工厂独立维护IT资源,形成信息孤岛,总部难掌握全面信息,阻碍资源优化配置与利用。

  • 重复浪费与协同受阻:易出现重复建设,浪费资源,且在业务协同时,因 IT 资源难统一调配,常出现对接困难等问题。

Ø 基地工厂产线、业务系统繁多:业务间关系错综复杂,排查问题时运维人员无处下手

  • 系统交织复杂:生产产线各环节依赖多业务系统,相互关联影响,出问题后运维人员难定位根源。

  • 缺乏溯源机制与兼容难题:缺少故障溯源机制,面对多供应商系统的兼容问题,排查和解决问题复杂。

Ø IT运维标准化程度低:缺乏落地经验,批量作业往往需要投入大量的人力资源

  • 流程不标准:各工厂运维流程各异,进行批量作业时无法高效执行,易出问题。

  • 经验难复用与人力紧张:缺乏标准和文档记录,经验难传承复用,批量作业靠大量人工,致人力紧张、效率受限。

图片

图片

▏批量调度:集中处理主机任务,提升运维效率,保障系统稳定

YADT多基地工厂主机众多,以往手工操作主机任务繁琐易出错。利用批量调度可简化任务,如统一软件安装时,设定好参数与范围,就能自动分发任务并监控进度,提高运维效率,让运维人员专注其他工作。

★ 关键期望指标 10%

批量调度预计可使主机批量作业执行时间减半,人工失误率降至10%以内,让运维人员腾出六成精力做更有价值工作,保障主机系统配置及企业生产运营。

应用CMDB:整合应用信息,精准调配资源,排查应用故障

各基地工厂应用信息繁杂,CMDB可纳管并整合,结合自动发现数据呈现应用资源详情,像某生产关键应用的服务器、关联关系等信息,为运维优化、资源调配等提供数据支撑。

★ 关键期望指标 90%

应用CMDB能管理呈现超90%应用信息,提升资源配置精准度80%,缩短应用故障排查时间约40%,确保应用平稳运行减少生产延误。

▏自动发现:实时采集设备信息,预防设备故障,保障生产线稳定

企业生产环境复杂,产线有诸多工位PC、终端和设备。自动发现能自动高效采集它们的信息,涵盖硬件配置、运行状态等关键内容,便于运维人员掌握全貌,保障生产顺利。

★ 关键期望指标 95%

自动发现可实时全面采集产线设备信息,准确率达95%以上,提前预防30%设备故障,减少生产线停工时长,保障生产计划与产能效益。

▏应用拓扑:提供架构视图,定位系统故障,维持业务连续

YADT全国工厂众多,应用拓扑以工厂为维度展示全链路拓扑图,包括工厂、产线等各环节。出现问题时,运维人员可借此快速定位故障所在环节,提高解决效率,保障业务连续性。

★ 关键期望指标 60%

应用拓扑助力运维人员缩短故障定位时间超60%、提升解决效率约50%,保障生产业务连续性达98%以上,维持市场供应与客户满意度。

▏YADT IT运维自动化功能全景图

图片

图片

Ö 阶段一 :建资源数据中心,优化CMDB,实现自动采集

打造统一资源数据中心,整合分散资源数据并集中管理,为上层业务场景提供支撑,助力企业运营优化与发展。

○ CMDB平台(业务树模型

○ CMDB模型建设、设计优化

○ 作业脚本平台、网络设备自动采集

Ö 阶段二 :精细配置管理,强化自动化能力,深化CMDB建设

配置管理精细化控制,提升多环境多维度管理能力;自动化能力建设,准确并自动的发现工厂车间设备信息,并上报至CMDB入库。

○ CMDB深度建设(周边模型、场景化变更)

○ 定制化采集工厂工位、产线等设备

Ö 阶段三 :推服务化应用,自动化部署,全国推广CMDB

全面服务化应用管理能力,通过门户对外暴露;应用自动化部署,提升效率,解放生产力;全国各个基地、工厂推广接入CMDB。

○ 统一应用管理服务门户

○ 应用持续集成/交付

○ 全国项目推广

○ ......

图片

通过自动纳管工厂产线主机硬件、系统等信息,并定时上报CMDB更新数据,同时定制化开发采集插件,借助作业调度平台自动采集基础设备、软件、中间件等数据,以此极大减少人工维护成本,有效确保数据准确率。

图片

图片

应用信息:

图片

主机信息:

图片

自动采集KEPServer:

图片

自动采集DB、产线终端:

图片

应用视图:

图片

- end -

### 将 YOLO 格式数据集换为 COCO 格式的实现 YOLOCOCO 是两种常见的目标检测数据集格式,它们之间的主要区别在于标注文件的结构和存储方式。以下是将 YOLO 格式数据集换为 COCO 格式的具体方法。 #### 1. 数据准备 在开始换之前,需要准备好以下内容: - **YOLO 格式的标签文件**:这些是以 `.txt` 文件形式存在的标注文件,位于 `labels/` 文件夹下。 - **图像文件路径列表**:用于构建 COCO 的 `images` 字段。 - **类别名称列表**:定义了数据集中包含的目标类别的名称。 #### 2. 换逻辑 COCO 格式的标注文件是一个 JSON 文件,其基本结构如下: ```json { "info": {}, "licenses": [], "categories": [ {"id": 0, "name": "class_1"}, {"id": 1, "name": "class_2"} ], "images": [ {"id": 0, "file_name": "image_1.jpg", "width": 640, "height": 480}, {"id": 1, "file_name": "image_2.jpg", "width": 640, "height": 480} ], "annotations": [ { "id": 0, "image_id": 0, "category_id": 0, "bbox": [x_min, y_min, width, height], "area": area_of_bbox, "iscrowd": 0 } ] } ``` 为了完成换,需执行以下几个操作: - 构建 `categories` 部分,基于类别名称列表生成对应的 ID 映射关系[^1]。 - 解析每张图片的信息并填充到 `images` 列表中。 - 对于每个标注文件解析边界框坐标,并将其从相对位置 (YOLO 格式) 换为绝对像素位置 (COCO 格式),最后填入 `annotations` 中。 #### 3. Python 实现脚本 下面提供了一个完整的 Python 脚本来完成上述任务: ```python import os import json from PIL import Image def convert_yolo_to_coco(yolo_labels_dir, images_dir, output_json_path, class_names): """ Convert YOLO format dataset to COCO format. :param yolo_labels_dir: Path to the directory containing .txt label files in YOLO format. :param images_dir: Path to the directory containing image files. :param output_json_path: Output path for saving the resulting COCO-format JSON file. :param class_names: List of class names corresponding to indices used in labels. """ # Initialize COCO structure coco_data = { "info": {}, "licenses": [], "categories": [{"id": idx, "name": name} for idx, name in enumerate(class_names)], "images": [], "annotations": [] } annotation_id_counter = 0 # Process each image and its associated label file for img_idx, filename in enumerate(os.listdir(images_dir)): if not filename.lower().endswith(('.png', '.jpg', '.jpeg')): continue img_path = os.path.join(images_dir, filename) img = Image.open(img_path) w, h = img.size # Add image entry coco_image_entry = { "id": img_idx, "file_name": filename, "width": w, "height": h } coco_data["images"].append(coco_image_entry) # Load corresponding label file label_filename = f"{os.path.splitext(filename)[0]}.txt" label_filepath = os.path.join(yolo_labels_dir, label_filename) if not os.path.exists(label_filepath): continue with open(label_filepath, 'r') as lbl_f: lines = lbl_f.readlines() for line in lines: parts = list(map(float, line.strip().split())) cls_id, xc_norm, yc_norm, w_norm, h_norm = map(int, parts[:1]) + parts[1:] # Convert normalized coordinates back to absolute values x_center = xc_norm * w y_center = yc_norm * h box_w = w_norm * w box_h = h_norm * h x_min = int(x_center - box_w / 2) y_min = int(y_center - box_h / 2) # Create annotation entry annotation_entry = { "id": annotation_id_counter, "image_id": img_idx, "category_id": cls_id, "bbox": [x_min, y_min, box_w, box_h], "area": box_w * box_h, "iscrowd": 0 } coco_data["annotations"].append(annotation_entry) annotation_id_counter += 1 # Save result to a JSON file with open(output_json_path, 'w') as out_f: json.dump(coco_data, out_f) if __name__ == "__main__": yolo_labels_directory = "/path/to/yolo/labels/" images_directory = "/path/to/images/" output_json_file = "/path/to/output/coco_format.json" classes_list = ["cat", "dog"] # Replace this with your actual class names. convert_yolo_to_coco( yolo_labels_dir=yolo_labels_directory, images_dir=images_directory, output_json_path=output_json_file, class_names=classes_list ) ``` 此代码实现了从 YOLO 格式COCO 格式换过程[^2]。它通过遍历所有的图片及其关联的标注文件来提取必要的信息,并按照 COCO 的标准格式重组数据。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值