使用ModelArts自动学习开发AI模型无需编写代码，您只需上传数据、创建项目、完成数据标注、发布训练、然后将训练的模型部署上线。将训练的模型部署上线的过程中，将会生成一个AI应用，命名规范为exeMl-{类别}_ExeMl_xxx。

ModelArts服务为用户提供了Workflow工具，区别于传统的机器学习模型构建，开发者可以使用Workflow开发生产流水线。基于MLOps的概念，Workflow会提供运行记录、监控、持续运行等功能。根据角色的分工与概念，产品上将工作流的开发和持续迭代分开。

Workflow（也称工作流）本质是开发者基于实际业务场景开发用于部署模型或应用的流水线工具。在机器学习的场景中，流水线可能会覆盖数据标注、数据处理、模型开发/训练、模型评估、应用开发、应用评估等步骤。

ModelArts提供了模型训练的功能，方便您查看训练情况并不断调整您的模型参数。您还可以基于不同的数据，选择不同规格的资源池用于模型训练。除支持用户自己开发的模型外，ModelArts还提供了从AI Gallery订阅算法，您可以不关注模型开发，直接使用AI Gallery的算法，通过算法参数的调整，得到一个满意的模型。

创建AI应用时，导入ModelArts训练作业中训练完成的模型。

本地开发好模型，构建自定义镜像，最后上传至容器镜像服务SWR，从SWR中导入镜像创建AI为应用。如何制作自定义镜像，请参考ModelArts官网文档从0-1制作自定义镜像并创建AI应用。

针对您本地开发的模型，在制作AI应用的自定义镜像时，需满足ModelArts定义的规范。请参考ModelArts官网文档创建AI应用的自定义镜像规范。

ModelArts支持本地准备模型包，编写模型配置文件和模型推理代码，将准备好的模型包上传至对象存储服务OBS，从OBS导入模型创建为AI应用。

制作模型包，则需要符合一定的模型包规范。模型包里面必需包含“model”文件夹，“model”文件夹下面放置模型文件，模型配置文件，模型推理代码文件。

模型包结构示例（以TensorFlow模型包结构为例）

发布该模型时只需要指定到“ocr”目录。

在AI Gallery中，支持订阅官方发布或者他人分享的模型，订阅后的模型，可推送至ModelArts模型管理中，进行统一管理。