本地部署 + Docker 容器化实战：中医舌诊 AI 项目 TongueDiagnosis 部署全记录-九五小庞

作者：[很多人叫我庞工]
平台：CSDN
项目地址 ：https://github.com/TonguePicture-SKaRD/TongueDiagnosis
发布时间：2026年1月31日

一、项目简介

最近在 GitHub 上发现了一个非常有意思的开源项目 ------ TongueDiagnosis ，这是一个基于深度学习的中医舌诊辅助系统。它通过上传舌象图片，自动完成舌体定位、分割、特征提取（如舌色、苔色、厚薄、润燥等），并结合大语言模型（LLM）生成个性化的健康建议，实现"AI 中医问诊"。

项目技术栈非常现代：

后端：Python + FastAPI
前端：Vue 3 + Vite
模型：YOLOv5（定位） + Segment Anything（分割） + ResNet50（分类）
LLM 推理：Deepseek-r1-14B（通过 Ollama 调用）
数据库：SQLite

更棒的是，项目支持 Web 浏览器访问，也提供了 Electron 桌面版选项。作为一个对 AI+中医交叉领域感兴趣的技术爱好者，我决定将它部署到本地，并进一步容器化为 Docker 镜像，便于复现和分发。本文将完整记录这一过程。

二、本地环境部署（非 Docker）

1. 基础依赖

Conda ≥ 23.10
Python 3.9.21
SQLite 3.35+
Node.js（前端构建）
Ollama（用于运行 Deepseek LLM）

2. 克隆项目

复制代码

git clone https://github.com/TonguePicture-SKaRD/TongueDiagnosis.git
cd TongueDiagnosis

3. 后端环境配置

复制代码

# 创建 Conda 环境
conda create -n tongueai python=3.9.21
conda activate tongueai

# 安装依赖
pip install -r requirements.txt

# 初始化数据库
sqlite3 AppDatabase.db < models/create_User.sql
sqlite3 AppDatabase.db < models/create_Session.sql
sqlite3 AppDatabase.db < models/create_TongueAnalysis.sql
sqlite3 AppDatabase.db < models/create_ChatRecord.sql

# 创建模型权重目录 & 图片存储目录
mkdir -p application/net/weights
mkdir -p frontend/public/tongue

4. 下载模型权重

项目需要 7 个预训练权重文件，包括 YOLOv5、SAM、ResNet 分类器等：

复制代码

cd application/net/weights
wget https://github.com/TonguePicture-SKaRD/TongueDiagnosis/releases/download/V1.0_Beta/rot_and_greasy.pth
wget https://github.com/TonguePicture-SKaRD/TongueDiagnosis/releases/download/V1.0_Beta/thickness.pth
wget https://github.com/TonguePicture-SKaRD/TongueDiagnosis/releases/download/V1.0_Beta/tongue_coat_color.pth
wget https://github.com/TonguePicture-SKaRD/TongueDiagnosis/releases/download/V1.0_Beta/tongue_color.pth
wget https://github.com/TonguePicture-SKaRD/TongueDiagnosis/releases/download/V1.0_Beta/unet.pth
wget https://github.com/TonguePicture-SKaRD/TongueDiagnosis/releases/download/V1.0_Beta/yolov5.pt
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_b_01ec64.pth

⚠️ 注意：国内网络下载可能较慢，建议使用代理或手动下载后放入对应目录。

5. 配置 Ollama（运行 LLM）

安装 Ollama，然后拉取 Deepseek 模型：

复制代码

ollama pull deepseek-r1:14b

修改 application/config/config.py 中的 LLM 配置：

复制代码

OLLAMA_PATH = "http://host.docker.internal:11434/api/chat"  # Docker 中需特殊处理
LLM_NAME = "deepseek-r1:14b"
SYSTEM_PROMPT = "You are now an AI traditional Chinese medicine doctor specializing in tongue diagnosis..."

6. 启动前后端

后端（端口 5000）：
复制代码
```
python run.py
```
前端（开发模式，端口 5173）：
复制代码
```
cd frontend
npm install
npm run dev
```

浏览器访问 http://localhost:5173 即可使用！

三、Docker 容器化部署

为了便于迁移和部署，我将整个应用（后端 + 前端 + 模型）打包成 Docker 镜像。

1. 目录结构调整（便于 COPY）

确保模型权重已下载到 application/net/weights/，前端静态资源可构建。

2. 编写 Dockerfile（后端）

复制代码

# application/Dockerfile
FROM python:3.9-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

# 创建必要目录
RUN mkdir -p /app/frontend/public/tongue

EXPOSE 5000

CMD ["python", "run.py"]

3. 构建前端静态资源（Vite build）

在 frontend/ 目录下执行：

复制代码

npm run build

生成的 dist/ 目录即为静态网站。

💡 为了简化架构，我选择将前端静态资源由 Nginx 托管，后端 API 单独容器运行。

4. docker-compose.yml（推荐方式）

复制代码

version: '3.8'

services:
  backend:
    build:
      context: ./application
      dockerfile: Dockerfile
    ports:
      - "5000:5000"
    volumes:
      - ./frontend/public/tongue:/app/frontend/public/tongue
    environment:
      - PYTHONUNBUFFERED=1
    depends_on:
      - ollama

  ollama:
    image: ollama/ollama:latest
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

  nginx:
    image: nginx:alpine
    ports:
      - "80:80"
    volumes:
      - ./frontend/dist:/usr/share/nginx/html
      - ./nginx.conf:/etc/nginx/conf.d/default.conf
    depends_on:
      - backend

volumes:
  ollama_data:

📌 注意：

若无 GPU，可移除 deploy 部分。

nginx.conf 需配置反向代理 /api 到 backend:5000。

在 config.py 中，OLLAMA_PATH 应设为 http://ollama:11434/api/chat（容器间通信）。

5. 启动服务

复制代码

docker-compose up --build

访问 http://localhost 即可看到完整的 Web 应用！

四、遇到的问题与解决方案

Ollama 在 Docker 中无法访问宿主机模型？

→ 使用单独的 ollama 服务容器，并挂载数据卷持久化模型。
前端请求跨域？

→ Nginx 配置反向代理，统一入口避免跨域。
模型权重过大，构建镜像太慢？

→ 可将权重放在 volume 或通过 init container 加载，避免每次 rebuild。
中文提示乱码？

→ 确保 Docker 容器内 locale 设置正确，或前端强制 UTF-8。

五、总结

通过本次实践，我成功将 TongueDiagnosis 项目从源码部署到 Docker 容器化运行，实现了：

一键启动（docker-compose up）
环境隔离
易于分享与部署

该项目不仅展示了 AI 在传统医学中的创新应用，也为多模态（图像 + LLM）系统提供了优秀范例。如果你对中医 AI、Web 应用容器化或 Ollama 集成感兴趣，强烈推荐尝试！

✅ GitHub 项目地址 ：https://github.com/TonguePicture-SKaRD/TongueDiagnosis

✅ 我的 Docker 配置已整理，欢迎留言交流！

欢迎点赞、收藏、评论！

如果你也部署成功了，或者有更好的优化方案，欢迎在评论区分享～