laya-opencv 项目地址 判定模型的本地工作台和一键安装包，支持 Windows 和 Linux ，界面有中文和英文两个版本。2.0 起加入视觉检测：用 OpenCV 看图和测量，用判定模型下结论，可以用在农业和质检场景。 Laya 和 TypeSafe 的 Jev 都是判定模型：给它一段素材（ state ）和几道题，它返回每道题的概率分布，而不是生成文本。这个项目把本地 Laya 的安装、启动和一个网页工作台打包在一起，同一份请求可以发给本地模型，也可以发给远程的 Jev 接口。 判定模型只读文本，看不了图。视觉检测的做法是把两者接成一条流水线： 图像 → OpenCV 分割、识别、测量 → 数值层（硬规则，写成文字）→ 判定模型 → 规则与模型交叉核对 → 结论 上图是「只按规则裁决」模式下的钢管质检，图片是程序合成的示例图。 功能 一键安装：自动建虚拟环境，按显卡情况安装 PyTorch 和 laya[serve] ，以及视觉组件（ OpenCV ，可选） 视觉检测：上传图片、摄像头拍照或用示例图，按检测方案量出面积、数量、长度、占比，再逐题给出结论 五个内置检测方案：水果采摘、杂草灭除、害虫监测、钢管质检、纺织物质检；方案是 JSON 文件，可以在页面上改 数值层：数字相关的结论由硬规则决定，模型的答案用来交叉核对；冲突、临界、低置信度时提示人工复核 模型训练：在页面上按类别上传样本，训练出给区域分类的识别模型（ OpenCV 的 cv2.ml ，CPU 上几秒到几十秒） 数字自检：自动生成阈值两侧的边界用例，实测判定模型对数字的判断力 自动更新：每次启动检查 Laya 有没有新版本，有就自动升级，升级后起不来会自动回退 网页工作台：素材支持文本、JSON 对象、消息列表；题目支持是非、单选、打分 多种接口：自动、本地 Laya 、TypeSafe 官方、 aiask.me 网络加速，以及任何提供 /v1/systemone 的第三方接口 密钥在页面上添加、修改、删除，只保存在本机 远程接口失败时自动切换，批量请求自动拆成逐条调用 中文、英文两种界面，页面右上角随时切换 8 个内置示例（中英文各一套），往 examples/ 里放 JSON 文件即可增加 结果、原始响应、请求 JSON 、代码片段（ curl / Python / JavaScript ）、历史记录、调试面板 启动器只用 Python 标准库；视觉组件只依赖 OpenCV 和 numpy ，不装也不影响文本判定 安装和启动 从 Releases 页面下载最新的安装包。 Windows 解压 laya-opencv-.zip 到一个固定位置，例如 D:\laya-opencv 双击 install.bat ，等它跑完 双击 start.bat ，浏览器自动打开 http://127.0.0.1:8090 Linux tar -xzf laya-opencv-.tar.gz cd laya-opencv bash install.sh bash start.sh 需要 Python 3.10 或更高版本。Debian / Ubuntu 先执行 sudo apt install python3 python3-venv 。 没有桌面的服务器，在自己的电脑上开一个 SSH 隧道，再用本机浏览器打开 http://127.0.0.1:8090 ： ssh -L 8090:127.0.0.1:8090 用户名 @服务器地址 首次启动要下载本地模型（ multilingual 约 650 MB ）。页面左上方显示「本地 Laya 已就绪」后就可以运行。关闭启动窗口或按 Ctrl+C 即停止全部服务。 只用远程接口 不想在这台机器上装本地模型时，先把 config.example.json 复制为 config.json ，把 install_local_laya 和 start_local_laya 改成 false ，再运行安装脚本。这样会跳过 PyTorch 和 Laya ，只装视觉组件（约 80 MB ）。连视觉检测也不需要的话，把 install_vision 也改成 false ，几秒钟装完。 视觉检测 页面顶部有三个页签：「文本判定」是原来的工作台，「视觉检测」和「模型训练」是新增的。 用法 打开「视觉检测」，选一个检测方案 选择图片、用摄像头拍一张，或者点「示例图」先试一遍 点「检测」。右边依次是：结论、测量与区域、发给模型的素材与题目、原始响应、数字自检 没有判定模型（没装本地 Laya 、也没有远程密钥）时也能用：勾选「只按规则裁决」，或者直接检测，绑定了规则的题目照样有结论。 内置检测方案 方案 量什么 规则判什么 水果采摘 成熟色占比、病斑占比、果径 是否采摘、果实等级 杂草灭除 行间杂草的覆盖率、株数、密度 是否除草、处理方式 害虫监测 粘虫板上的虫口总数、大型虫体数量、密度 是否防治、防治等级 钢管质检 划痕长度、凹坑数量、锈蚀占比 合格 / 让步接收 / 不合格 纺织物质检 缺陷数量、最长缺陷、破洞面积 合格 / 降等 / 不合格 每个方案另有一两道没有绑定规则的题目（例如「这个果实最合适的去向」「应该怎么处理」），由判定模型综合素材来回答。 内置方案的阈值是演示用的，不是任何行业标准；分割参数是按合成示例图调的。用在真实场景前，请用自己的图片调整参数，把阈值换成自己的标准。方案的完整写法见 docs/vision.md 。 数字是怎么保证的 判定模型读的是文本，不做算术，输出也只有是非、单选和打分三种。所以数字相关的结论不交给模型去猜： 规则来算 ：每个阈值比较都由代码完成，测量值先四舍五入到规定的小数位，显示的数和拿来比较的数是同一个 写成文字 ：交给模型的素材里，数字旁边带着比较结论，例如 99.3 %（≥ 70 %：是，高出 29.3 ） ；题目里的判定标准用同样的写法，逐条对得上 规则裁决 ：题目绑定硬规则后，以规则的结果为准，模型的答案只用来核对 提示复核 ：规则与模型不一致、测量值落在临界带内、模型置信度低、图像模糊或过暗过亮时，结论会标成「建议人工复核」 实测而不是假设 ：「数字自检」会在每个阈值两侧生成边界用例，同一批用例分别以「只给数值」和「带比较结论」两种写法交给模型，报告它和规则的一致率。一致率不够高的题目应保持规则裁决 自检结果取决于你用的模型和版本，请以本机跑出来的为准。自检用例和人工复核记录可以导出成 {state, questions, gold} 的 JSONL ，供以后微调使用。 训练识别模型 传统算法能量颜色、面积、形状，但认不出「这是哪种虫」「这是哪类缺陷」。「模型训练」页用来补上这一步： 新建数据集，按类别上传图片（也可以在检测结果里勾选区域直接加入）。每类至少 2 张，建议 30 张以上 选特征（颜色、纹理、轮廓梯度、形状与大小、深度特征）和分类器（ SVM 、随机森林、K 近邻），点「开始训练」 看交叉验证的准确率和混淆矩阵 在检测方案的 pipeline 里加一步 {"op": "classify", "model": "模型名字", "

  • 情报分类：服务器与云资源
  • 分类依据：内容涉及服务器、云资源或网络线路
  • 信息来源：服务器 / V2EX
  • 发布时间：2026/10/5 19:08:34