Super Resolution日志监控配置：生产环境异常追踪指南-平芜编程栈

Super Resolution日志监控配置：生产环境异常追踪指南

1. 为什么超分服务也需要日志监控？

你可能觉得，不就是一张图片放大3倍吗？点上传、等几秒、看结果——这么简单的事，还需要盯日志？
但现实不是Demo界面。在真实生产环境中，这张“简单”的图，可能来自电商后台批量处理的10万张商品图，可能来自安防系统每分钟涌进来的200路模糊抓拍，也可能嵌在AI客服工作流里，作为用户上传证件照的预处理环节。一旦某张图卡住、模型加载失败、GPU显存溢出，或者某次放大后细节全糊成一片——没人点开WebUI，问题就悄无声息地漏过去了。

而Super Resolution镜像虽轻量（仅依赖OpenCV DNN模块+Flask），却恰恰容易因几个“隐形”环节出问题：模型文件路径错位、CPU fallback时推理超时、JPEG解码异常、甚至Web请求体过大被Nginx截断。这些都不会弹红框报错，只会让接口静默返回空白图或500错误。

所以，这篇指南不讲怎么调参、不教EDSR原理，只聚焦一件事：如何让这套超分服务在生产中“会说话”——用日志告诉你哪里卡了、为什么卡、下次怎么防。

2. 日志体系设计：从沉默到可追溯

2.1 默认日志在哪？为什么它不够用？

镜像启动后，Flask默认将访问日志输出到控制台（stdout），例如：

127.0.0.1 - - [15/Jul/2024 10:23:41] "POST /enhance HTTP/1.1" 200 -

这行日志只告诉你“有请求来了，成功了”，但没说：

上传的是什么尺寸的图？（50×50小图标 vs 3000×2000大图）
模型加载是否真成功？还是fallback到了CPU慢速路径？
处理耗时多少？是200ms正常，还是8秒才返回（说明GPU没生效）？
输出图是否真的3倍放大？有没有悄悄退化成双线性插值？

默认日志就像只记“有人进门”，却不记“他带了什么包、鞋底有没有泥、进门后往哪走”。

2.2 我们要记录的5类关键日志

日志类型	记录时机	关键字段	为什么必须
请求入口	接收到HTTP POST`/enhance`时	原图宽高、文件名、MIME类型、Content-Length	判断是否上传了超大图（如>20MB）导致内存OOM
模型状态	首次加载模型或每次推理前	模型路径、后端（CUDA/CPU）、输入尺寸、是否启用FP16	确认GPU是否真正启用；避免误用CPU导致性能暴跌
处理耗时	图像处理前后计时	预处理耗时、推理耗时、后处理耗时、总耗时	定位瓶颈：是OpenCV解码慢？还是EDSR推理卡？
结果验证	生成图保存后	输出宽高、PSNR/SSIM估算值（简易版）、文件大小变化率	防止“假成功”：返回了图，但实际是黑图或尺寸错误
异常捕获	try-except最外层	异常类型、完整traceback、原始文件哈希（前8位）	快速复现：同一张图反复失败，说明是数据问题非服务问题

** 实操提醒**：所有日志必须打到标准输出（stdout），平台才能统一采集。不要写入/tmp或自定义文件——系统盘清理时可能丢失。

3. 配置实战：三步打通日志链路

3.1 修改Web服务日志级别与格式

打开镜像中的app.py（路径：/root/app/app.py），找到Flask初始化部分。不要用默认app.run()，改用Gunicorn或至少启用详细日志：

# /root/app/app.py 片段 import logging from logging.handlers import RotatingFileHandler # 1. 配置根日志器：输出到stdout，级别INFO logging.basicConfig( level=logging.INFO, format='%(asctime)s | %(levelname)-8s | %(name)s | %(message)s', datefmt='%Y-%m-%d %H:%M:%S', handlers=[logging.StreamHandler()] # 关键：只输出到stdout ) # 2. 获取专用日志器（避免污染其他模块） logger = logging.getLogger("superres") # 3. 在核心路由中添加结构化日志 @app.route('/enhance', methods=['POST']) def enhance_image(): start_time = time.time() # --- 请求入口日志 --- file = request.files.get('image') if not file: logger.warning("Missing 'image' field in request") return jsonify({"error": "No image provided"}), 400 # 读取文件头获取尺寸（不加载全图） img_bytes = file.read(1024) file.seek(0) try: img = cv2.imdecode(np.frombuffer(img_bytes, np.uint8), cv2.IMREAD_COLOR) orig_h, orig_w = img.shape[:2] logger.info(f"REQ_ENTRY | name={file.filename} | size={orig_w}x{orig_h} | type={file.mimetype}") except Exception as e: logger.error(f"REQ_PARSE_FAIL | file={file.filename} | error={str(e)[:50]}") return jsonify({"error": "Invalid image format"}), 400

3.2 模型加载与推理阶段埋点

在模型加载函数中加入状态日志（/root/app/superres_engine.py）：

# /root/app/superres_engine.py import cv2 import numpy as np logger = logging.getLogger("superres") class SuperResEngine: def __init__(self, model_path="/root/models/EDSR_x3.pb"): self.model_path = model_path self.net = None self.backend = cv2.dnn.DNN_BACKEND_OPENCV # 默认CPU self.target = cv2.dnn.DNN_TARGET_CPU # 尝试启用CUDA（如果可用） if cv2.cuda.getCudaEnabledDeviceCount() > 0: self.backend = cv2.dnn.DNN_BACKEND_CUDA self.target = cv2.dnn.DNN_TARGET_CUDA logger.info(f"MODEL_INIT | backend=CUDA | devices={cv2.cuda.getCudaEnabledDeviceCount()}") else: logger.warning("MODEL_INIT | backend=CPU (CUDA not available)") # 加载模型 try: self.net = cv2.dnn_superres.DnnSuperResImpl_create() self.net.readModel(self.model_path) self.net.setModel("edsr", 3) # x3 scale logger.info(f"MODEL_LOAD_SUCCESS | path={self.model_path} | scale=3 | backend={self.backend}") except Exception as e: logger.critical(f"MODEL_LOAD_FAIL | path={self.model_path} | error={str(e)}") raise def enhance(self, img): h, w = img.shape[:2] start_proc = time.time() try: # 执行超分 result = self.net.upsample(img) proc_time = time.time() - start_proc # --- 结果验证日志 --- new_h, new_w = result.shape[:2] size_ratio = (new_w * new_h) / (w * h) logger.info(f"PROC_SUCCESS | orig={w}x{h} | out={new_w}x{new_h} | ratio={size_ratio:.1f}x | time={proc_time:.3f}s") return result except cv2.error as e: logger.error(f"OPENCV_ERROR | op=upsample | error={str(e)[:60]}") raise except Exception as e: logger.error(f"PROC_UNKNOWN_FAIL | error={str(e)[:60]}") raise

3.3 异常兜底与上下文增强

在主路由末尾添加全局异常处理器，并注入请求上下文：

# 继续在 app.py 中 @app.errorhandler(Exception) def handle_exception(e): # 获取当前请求的简要信息（避免日志爆炸） req_id = request.headers.get('X-Request-ID', 'unknown') file_hash = 'none' if hasattr(request, 'files') and request.files: file = next(iter(request.files.values()), None) if file and hasattr(file, 'stream'): file.stream.seek(0) file_hash = hashlib.md5(file.stream.read(1024)).hexdigest()[:8] file.stream.seek(0) logger.critical( f"UNHANDLED_EXCEPTION | id={req_id} | file_hash={file_hash} | " f"error_type={type(e).__name__} | msg={str(e)[:80]}" ) return jsonify({"error": "Internal server error"}), 500

4. 生产环境日志分析：3个高频问题定位法

4.1 问题：接口响应慢（>5秒），但CPU/GPU使用率不高

查日志关键词：PROC_SUCCESS+time=
典型日志：

2024-07-15 14:22:03 | INFO | superres | PROC_SUCCESS | orig=1280x720 | out=3840x2160 | ratio=9.0x | time=8.231s

排查路径：

先确认MODEL_INIT日志是否显示backend=CUDA—— 如果是CPU，说明CUDA未启用，需检查nvidia-smi和驱动版本；
检查REQ_ENTRY中size=是否远超常规（如size=8000x6000），大图会触发OpenCV内存重分配，降速明显；
查OPENCV_ERROR日志 —— EDSR对输入尺寸有隐式要求（需能被4整除），若原图宽高非4倍数，OpenCV内部会自动padding，但无提示。

解决：在预处理中强制resize到最近的4倍数：

# 在enhance_image()中添加 h, w = img.shape[:2] new_h = (h // 4) * 4 new_w = (w // 4) * 4 if h != new_h or w != new_w: img = cv2.resize(img, (new_w, new_h)) logger.debug(f"IMG_RESIZED | from={w}x{h} to={new_w}x{new_h}")

4.2 问题：部分图片返回黑图或纯色块

查日志关键词：PROC_SUCCESS+ratio=+time=对比正常图
典型对比：

# 正常图 2024-07-15 14:25:11 | INFO | superres | PROC_SUCCESS | orig=320x240 | out=960x720 | ratio=9.0x | time=0.421s # 黑图（注意ratio异常！） 2024-07-15 14:25:33 | INFO | superres | PROC_SUCCESS | orig=320x240 | out=320x240 | ratio=1.0x | time=0.012s

原因：EDSR模型对单通道灰度图支持不稳定，而某些PNG含Alpha通道或CMYK色彩空间，cv2.imdecode返回空矩阵。

验证：加一行日志检查img是否为空：

if img is None or img.size == 0: logger.error(f"IMG_DECODE_FAIL | filename={file.filename} | shape={getattr(img, 'shape', 'None')}") return jsonify({"error": "Unsupported image format"}), 400

4.3 问题：服务重启后首次请求极慢（>10秒）

查日志关键词：MODEL_INIT+MODEL_LOAD_SUCCESS时间差
典型日志：

2024-07-15 14:30:01 | INFO | superres | MODEL_INIT | backend=CUDA | devices=1 2024-07-15 14:30:12 | INFO | superres | MODEL_LOAD_SUCCESS | path=/root/models/EDSR_x3.pb | scale=3 | backend=2

真相：CUDA驱动首次加载需要JIT编译，耗时固定。这不是Bug，是特性。
对策：在服务启动后主动“热身”一次：

# 启动后立即执行（app.py末尾） if __name__ == '__main__': # 热身：用最小图触发CUDA初始化 dummy_img = np.zeros((64, 64, 3), dtype=np.uint8) engine.enhance(dummy_img) # 调用一次，忽略结果 logger.info("WARMUP_COMPLETE | dummy inference done") app.run(host='0.0.0.0', port=5000, debug=False)