laya-opencv

laya-opencv 是一套将 OpenCV 视觉算法与 Laya/Jev 判定模型结合的本地工作台，核心思路：OpenCV负责看图、分割、测量，数字指标交给硬规则校验，最后由判定模型综合给出结论。面向水果采摘、杂草害虫监测、钢管质检、纺织缺陷检测场景，提供Windows、Linux一键安装包，网页工作台支持中英文界面切换。

项目从2.0升级到3.0，新增模型自训练能力，也就是开源版JEV。可以基于HuggingFace编码器从零创建Laya格式决策模型，或是在官方Laya权重上微调；4GB显存显卡就能训练小模型，无GPU也支持CPU训练。同时新增目标检测训练能力，使用torchvision训练SSDLite / Faster R-CNN检测模型，可直接接入视觉流水线。

核心流水线：图像 → OpenCV分割/检测/测量 → 量化数值（硬规则校验）→ 判定模型 → 规则与模型交叉核对 → 最终结论
判定模型只读取文本，无法直接看图，图像信息全部转为结构化数字、描述文本再送入模型。

核心功能

决策模型训练（开源版JEV）

网页端一站式完成数据集标注、模型新建、微调、评估、部署为默认模型。

• 编码器选择：内置11个推荐编码器，也可填入任意Hugging Face双向编码器；
• 三种训练模式：全参数训练、冻结词嵌入、LoRA轻量微调；显存不足会自动降档，支持断点续训、留出集评估；
• 训练完成后模型由本地服务托管，复用统一 /v1/systemone 接口，文本判定、视觉检测、第三方程序都可以调用；
• 数字自检功能：自动生成阈值边界测试用例，检验模型对数值判断的稳定性；自检记录、人工复核记录可以一键导入训练数据集。

目标检测训练

基于torchvision，训练SSDLite（轻量快速）或Faster R-CNN（精度更高）目标检测模型。

• 支持画布手动画框标注、方案预标注、合成样本生成；兼容YOLO格式数据集，外部LabelImg、Roboflow标注数据可直接导入；
• 训练后的检测模型可在检测方案pipeline中通过{"op": "detect"}调用，输出目标区域，后续继续做计数、面积测量、分类；
• 支持外部ONNX检测模型接入，整套训练代码不使用Ultralytics，BSD-3许可，可商用。

区域分类训练

基于OpenCV cv2.ml，在CPU上快速训练区域分类器，SVM、随机森林、KNN可选。可提取颜色、纹理、轮廓，搭配MobileNetV2深度特征，用来识别虫类、材料缺陷。适合分割出来的小区域做细分类。

视觉检测工作台

支持上传图片、摄像头实时拍照，加载检测方案自动测量面积、数量、长度、占比。内置5套行业演示方案：水果采摘、杂草灭除、害虫监测、钢管质检、纺织物质检，方案以JSON保存，网页可直接编辑修改。

• 数值由硬规则优先裁决，模型仅作为交叉核对；当数值处于临界区间、规则与模型结论冲突、图像模糊低置信时，标记人工复核；
• 就算不启用本地Laya模型，依然可以单独运行OpenCV测量与硬规则判定。

文本判定工作台

独立页面处理纯文本/JSON素材，支持是非题、单选、打分题型，可接入本地Laya、TypeSafe Jev、aiask.me加速接口或任意兼容/v1/systemone的第三方服务。远程接口故障会自动切换备选渠道。

部署与安装

一键安装脚本自动创建Python虚拟环境，根据显卡自动安装对应版本PyTorch，按需安装训练组件、OpenCV视觉组件。
Windows
解压安装包，双击install.bat，完成后执行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

无图形服务器可使用SSH隧道，本地浏览器访问。
支持按需裁剪安装：只使用远程API可跳过PyTorch、本地模型；不需要训练功能，不安装torchvision与peft。

接口能力

提供一体化检测接口/v1/inspect，传入图片Base64+方案名称，直接返回测量数据、判定结论、复核标记。也支持只传入数值，跳过图像环节，对接外部传感器采集数据。
全部密钥保存在本机config.json，不会上传；config.json加入gitignore避免泄露。

其他特性

• 自动版本检查：启动时校验Laya版本，锁定版本仅提示不自动升级；升级失败会自动回滚；
• 网页调试面板：查看原始请求、返回结果、curl/Python/JS调用代码、完整历史记录；
• 8套通用文本判定示例（中英文两套），可自行新增JSON示例文件；
• 启动器仅依赖Python标准库，视觉、训练模块隔离在子进程，不安装训练组件也不影响图像测量。