# recognize

**Repository Path**: sqdaxiang/recognize

## Basic Information

- **Project Name**: recognize
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: EPL-1.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-13
- **Last Updated**: 2026-03-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 智能视觉识别平台

基于 **Spring Boot 3 + React + YOLOv8** 的智能视觉识别平台，支持目标检测模型的训练、管理和实时推理，适用于工业质检、安防监控、合规检测等场景。

## 功能概览

### 智能识别

| 功能 | 说明 |
|------|------|
| **图片识别** | 上传图片进行目标检测，支持选择模型和合规规则，展示检测框、置信度和违规信息 |
| **视觉识别** | 调用本地摄像头实时识别，支持置信度阈值调节、识别间隔设置、告警记录 |
| **视频识别** | 上传视频文件或输入视频流地址，后台异步逐帧检测 |

### 模型训练

| 功能 | 说明 |
|------|------|
| **训练图片管理** | 上传和管理训练图片，支持 YOLO 格式标注 |
| **训练任务管理** | 创建训练任务，选择模型架构、设置超参数，实时查看训练进度和 Epoch |
| **ONNX 导出** | 训练完成后自动导出 ONNX 模型，供推理引擎使用 |

### 模型管理

| 功能 | 说明 |
|------|------|
| **AI 模型配置** | 管理模型基本信息、置信度阈值、NMS 阈值 |
| **模型类型管理** | 维护检测模型的分类体系 |
| **合规规则管理** | 配置检测规则，定义违规条件和告警策略 |

### 运维监控

| 功能 | 说明 |
|------|------|
| **工作台仪表盘** | 展示系统概览统计、最近训练任务、告警趋势 |
| **报警记录** | 分页查询告警记录，按来源类型筛选，支持告警处理和备注 |
| **视频任务管理** | 管理视频流/文件检测任务，查看运行状态和处理进度 |

## 技术栈

### 后端

- **Java 17** + **Spring Boot 3.5**
- **MyBatis-Plus** — ORM 和数据访问
- **Sa-Token** — 权限认证
- **Snowy 3.0** — 基础框架（用户、角色、菜单等）
- **Python + Ultralytics (YOLOv8)** — 模型训练与推理
- **持久化推理引擎** — 常驻 Python Worker 进程，模型只加载一次，推理延迟 < 500ms

### 前端

- **React 17** + **TypeScript**
- **Arco Design** — UI 组件库
- **Vite** — 构建工具
- **BizCharts** — 图表可视化
- **Less** — 样式预处理

### 推理架构

```
前端 → REST API → Java 后端 → stdin/stdout → Python Worker (YOLOv8 ONNX Runtime)
                                                    ↑
                                              模型只加载一次，复用推理
```

## 项目结构

```
recognize/
├── recognize-backend/                # 后端工程 (Maven 多模块)
│   ├── snowy-common/                 # 通用工具模块
│   ├── snowy-plugin/                 # 基础插件 (用户、角色、权限等)
│   ├── snowy-plugin-api/             # 插件 API 接口
│   ├── snowy-recognize/              # 🔑 智能识别核心模块
│   │   └── src/main/java/.../modular/
│   │       ├── alarm/                #   报警记录管理
│   │       ├── config/               #   系统配置
│   │       ├── model/                #   AI 模型管理
│   │       ├── recognition/          #   识别引擎 & API
│   │       ├── rule/                 #   合规规则
│   │       ├── train/                #   模型训练
│   │       ├── video/                #   视频任务
│   │       └── view/                 #   数据视图
│   └── snowy-web-app/                # 主启动模块
│
├── recognize-front/                  # 前端工程 (React + Vite)
│   └── src/pages/
│       ├── dashboard/workplace/      # 工作台仪表盘
│       ├── recognize/                # 智能识别
│       │   ├── recognition/          #   图片识别
│       │   ├── visual/               #   视觉识别 (摄像头)
│       │   ├── alarm/                #   报警记录
│       │   ├── model/                #   模型管理
│       │   ├── model-type/           #   模型类型
│       │   ├── rule/                 #   规则管理
│       │   └── config/               #   系统配置
│       ├── train/                    # 模型训练
│       │   ├── image/                #   训练图片管理
│       │   └── task/                 #   训练任务管理
│       └── video/task/               # 视频任务管理
│
└── .gitignore
```

## 环境要求

| 依赖 | 版本 | 说明 |
|------|------|------|
| **JDK** | 17+ | 后端运行环境 |
| **Maven** | 3.8+ | 后端构建 |
| **Node.js** | 16+ | 前端构建 |
| **Python** | 3.8+ | 模型训练与推理 |
| **MySQL** | 8.0+ | 数据库 |
| **ultralytics** | 最新版 | `pip install ultralytics` |
| **onnxruntime** | 最新版 | `pip install onnxruntime` |

## 快速开始

### 1. 克隆项目

```bash
git clone https://gitee.com/your-repo/recognize.git
cd recognize
```

### 2. 后端启动

```bash
cd recognize-backend

# 配置数据库连接（修改 application.yml）
# snowy-web-app/src/main/resources/application.yml

# 编译 & 启动
mvn clean package -DskipTests
java -jar snowy-web-app/target/snowy-web-app-3.0.0.jar
```

后端默认运行在 `http://localhost:56`

### 3. 前端启动

```bash
cd recognize-front

# 安装依赖
npm install

# 启动开发服务器
npm run dev
```

前端默认访问 `http://localhost:5173`，API 代理到后端 `http://localhost:56`

### 4. Python 环境

```bash
# 安装推理和训练依赖
pip install ultralytics onnxruntime opencv-python

# （可选）在系统配置中设置 Python 路径
# 管理后台 → 系统配置 → python_env_path
```

## 使用流程

```
1. 模型管理 → 创建 AI 模型（如"纸壳检测模型"）
       ↓
2. 训练图片 → 上传标注好的训练数据
       ↓
3. 训练任务 → 选择模型 + 数据集，开始训练
       ↓
4. 训练完成 → 自动生成 ONNX 模型文件
       ↓
5. 智能识别 → 选择模型 + ONNX，上传图片 / 开启摄像头 / 提交视频
       ↓
6. （可选）规则管理 → 配置合规规则，自动触发告警
       ↓
7. 报警记录 → 查看和处理违规告警
```

## 核心特性

- **持久化推理引擎** — Python Worker 常驻进程，首次推理约 2-3s（加载模型），后续每帧 < 500ms
- **实时摄像头识别** — 浏览器调用 WebRTC 摄像头，前端截帧发送后端推理，Canvas 实时绘制检测框
- **前端置信度过滤** — 实时滑块调节置信度阈值，过滤低置信度误检
- **异步视频处理** — 视频文件逐帧抽取检测，后台异步执行，不阻塞前端
- **合规规则引擎** — 支持自定义检测规则，自动判定违规并生成告警记录
- **训练进度监控** — 实时解析 YOLO 训练日志，展示 Epoch 进度和损失值

## 许可证

本项目基于 [Snowy](https://gitee.com/xiaonuobase/snowy) 开源框架开发，遵循 Apache License 2.0 许可证。