一、引言

        随着云计算技术的成熟与普及，将复杂地图服务迁移至云端已成为提升系统弹性、降低本地运维成本的重要趋势。LingBot‑Map 作为一套面向机器人导航与位置感知的高精度地图引擎，其本地化部署受限于硬件资源、网络环境及扩展性瓶颈，难以满足大规模并发访问与动态更新需求。

        为此，本文档聚焦于 LingBot‑Map 在云服务器上的完整部署流程，涵盖环境准备、依赖安装、服务配置、容器化封装及自动化运维等关键环节。通过利用云平台提供的弹性计算、对象存储及负载均衡能力，旨在实现地图服务的高可用部署、按需伸缩与远程协同管理。本文档不仅记录了具体的操作步骤，还总结了部署过程中遇到的常见问题及优化策略，为同类地图引擎的云化迁移提供可复用的实践参考。

二、云服务器使用——优云智算

云服务器配置流程：SPMamba-YOLO架构在云服务器上的部署与实现

配置防火墙：

编辑防火墙规则：

添加规则并设置端口号为：8080

三、LingBot-Map部署

1. 创建 conda 环境

conda create -n lingbot-map python=3.10 -y
conda activate lingbot-map

2. 安装 PyTorch (CUDA 12.8)

pip install torch==2.9.1 torchvision==0.24.1 --index-url https://download.pytorch.org/whl/cu128

3.安装 LingBot-Map

#从Github上下载lingbot-map源码（解压lingbot-map.zip可以跳过此步骤）
git clone https://github.com/Robbyant/lingbot-map.git
 
cd lingbot-map
pip install -e .

4.安装 FlashInfer

pip install --index-url https://pypi.org/simple flashinfer-python

更新本地软件包：

apt-get update
apt-get install --reinstall build-essential

参考资料：【ubuntu】gcc: fatal error: cannot execute ‘cc1plus’: execvp: No such file or directory

安装 opencv-python-headless：

pip install opencv-python-headless

5.安装可视化依赖

pip install -e ".[vis]"

6.下载模型

从 ModelScope 下载预训练权重（约 4.63 GB）：

官方开源模型：lingbot-map · 模型库

原文链接：https://blog.csdn.net/m0_75040840/article/details/160953221

7.运行指令

python demo.py --model_path lingbot-map.pt --video_path data/your.mp4

查看外网IP:

访问“http://自己的外网IP:8080”

四、总结

        本文介绍了LingBot-Map高精度地图引擎在云服务器上的部署流程。通过创建conda环境、安装PyTorch及相关依赖，配置云服务器防火墙，实现了地图服务的云端迁移。部署过程包括源码下载、模型权重获取及可视化组件安装，最终通过demo.py测试运行。该方案利用云平台弹性计算能力，解决了本地部署的资源限制问题，为同类地图引擎的云化提供了实践参考。文档还记录了常见问题及优化策略，确保服务的高可用性和可扩展性。