ai.deploy.box
ai.deploy.box 是一个专为深度学习模型落地打造的 C++ 部署工具箱。它致力于解决 AI 模型从训练环境迁移到实际应用场景时,面临的框架繁杂、接口不统一以及跨平台适配困难等痛点。
该工具巧妙地将 ONNX Runtime、MNN、NCNN、TNN、PaddleLite 和 OpenVINO 等六大主流推理后端抽象为统一的调用接口。这意味着开发者无需针对不同硬件或框架重复编写代码,即可轻松实现 YoloX、YoloV8、StableDiffusion、OCR 及 MobileSAM 等热门模型的快速部署。其独特的“一次开发,多端运行”特性,完美支持 MacOS、Linux、Android、树莓派甚至 WebAssembly 等多种操作系统与架构。
ai.deploy.box 非常适合 AI 算法工程师、嵌入式开发人员以及希望将研究成果转化为实际产品的研究人员使用。无论是需要在移动端优化检测速度,还是在边缘设备上运行生成式模型,它都能提供高效、稳定的 C++ 推理方案,同时兼容 Python、Go、Lua 等多种语言调用,极大地降低了工程化门槛,让模型部署变得更加简单流畅。
使用场景
某嵌入式视觉团队正致力于将训练好的 YOLOv8 目标检测与 OCR 文字识别模型,部署到资源受限的安卓工业手持终端上。
没有 ai.deploy.box 时
- 框架适配繁琐:团队需在 NCNN、MNN 或 TNN 等多个推理引擎间反复选型,针对每种框架单独编写 C++ 预处理和后处理代码,开发周期长达数周。
- 多语言调用困难:上层业务逻辑使用 Java 或 Lua 编写,底层推理为 C++,手动编写 JNI 接口或绑定层极易出现内存泄漏和崩溃,调试成本极高。
- 模型转换割裂:不同算子(如 MobileSAM 或 StableDiffusion)在不同框架下的支持度不一,缺乏统一的标准转换流程,导致模型在特定设备上无法运行或精度丢失。
- 跨平台维护沉重:若需同时支持树莓派和安卓端,必须维护多套构建脚本和环境配置,任何算法更新都需在所有平台上重复验证。
使用 ai.deploy.box 后
- 统一接口加速落地:直接调用 ai.deploy.box 封装的统一 C++ 接口,一套代码即可无缝切换 ONNXRuntime、NCNN 或 OpenVINO 等六大后端,部署时间缩短至几天。
- 多语言原生支持:利用工具内置的 Python、Lua、Go 及 Android JNI 绑定,无需手动编写胶水代码,上层应用可稳定、高效地直接调用底层推理能力。
- 全场景模型覆盖:借助工具对 YOLO 系列、GAN、OCR 及 StableDiffusion 等模型的现成部署 Demo,直接加载 ONNX 模型即可在边缘端运行,避免了算子适配陷阱。
- 一次开发多端运行:基于 ai.deploy.box 的跨平台特性,同一套核心逻辑可轻松编译至安卓、Linux 甚至 WebAssembly 端,极大降低了多设备维护成本。
ai.deploy.box 通过抽象底层推理差异,让开发者从繁琐的工程适配中解放出来,真正实现了“一次训练,处处高效部署”。
运行环境要求
- Linux
- macOS
- Android
- Raspberry Pi
- WebAssembly
未说明 (支持多种推理后端如 ONNXRuntime, MNN, NCNN, TNN, PaddleLite, OpenVINO,通常依赖 CPU 或各框架自带的硬件加速,未强制要求特定 NVIDIA GPU 或 CUDA 版本)
未说明

快速开始
英语 | 简体中文
[和 H 模式(C++ API)。
快速入门 ⚡⚡
环境配置
建议使用 Docker
docker pull mister5ive/ai.deploy.box
构建
使用 Docker(推荐)
git lfs clone https://github.com/TalkUHulk/ai.deploy.box.git
cd ai.deploy.box.git
docker build -t aidb-dev .
docker run -it --name aidb-test aidb-dev
从源码构建
git lfs clone https://github.com/TalkUHulk/ai.deploy.box.git
cd ai.deploy.box.git
mkdir build && cd build
cmake .. -DC_API={ON/OFF} -DBUILD_SAMPLE={ON/OFF} -DBUILD_PYTHON={ON/OFF} -DBUILD_LUA={ON/OFF} -DENGINE_NCNN_WASM={ON/OFF} -DOPENCV_HAS_FREETYPE={ON/OFF} -DENGINE_MNN={ON/OFF} -DENGINE_ORT={ON/OFF} -DENGINE_NCNN={ON/OFF} -DENGINE_TNN={ON/OFF} -DENGINE_OPV={ON/OFF} -DENGINE_PPLite={ON/OFF}
make -j8
- C_API: 编译 C 库;
- BUILD_PYTHON: 编译 Python API;
- BUILD_LUA: 编译 Lua API;
- OPENCV_HAS_FREETYPE: 开启 OpenCV 与 FreeType 的兼容性。cv::putText 可以支持中文显示;
- BUILD_SAMPLE: 编译示例程序;
- ENGINE_NCNN_WASM: 编译示例程序;
- ENGINE_MNN: 启用 MNN;
- ENGINE_ORT: 启用 ONNX Runtime;
- ENGINE_NCNN: 启用 ncnn;
- ENGINE_TNN: 启用 TNN;
- ENGINE_OPV: 启用 OpenVINO;
- ENGINE_PPLite: 启用 Paddle Lite;
- ENABLE_SD: 启用 Stable Diffusion;
模型
[新闻!!!] 所有模型均已转换为 🤗。
模型列表
使用方法
示例:通过 MNN 使用 scrfd 检测人脸:
#include <opencv2/opencv.hpp>
#include "Interpreter.h"
#include "utility/Utility.h"
auto interpreter = AIDB::Interpreter::createInstance("scrfd_500m_kps", "mnn");
auto bgr = cv::imread("./doc/test/face.jpg");
cv::Mat blob = *det_ins << bgr;
std::vector<std::vector<float>> outputs;
std::vector<std::vector<int>> outputs_shape;
det_ins->forward((float*)blob.data, det_ins->width(), det_ins->height(), det_ins->channel(), outputs, outputs_shape);
std::vector<std::shared_ptr<AIDB::FaceMeta>> face_metas;
assert(face_detect_input->scale_h() == face_detect_input->scale_w());
AIDB::Utility::scrfd_post_process(outputs, face_metas, det_ins->width(), det_ins->height(), det_ins->scale_h());
示例用法
在 Linux 系统中,运行测试前请先执行 source set_env.sh 命令。
示例用法
人脸检测
人脸检测
./build/samples/FaceDetect model_name backend type inputfile
model_name
- scrfd_10g_kps
- scrfd_2.5g_kps
- scrfd_500m_kps
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
人脸关键点检测
人脸关键点检测
./build/samples/FaceDetectWithLandmark model_name backend pfpld backend type inputfile
model_name
- scrfd_10g_kps
- scrfd_2.5g_kps
- scrfd_500m_kps
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
人脸对齐
人脸对齐
./build/samples/FaceDetectWith3DDFA det_model_name backend tddfa_model_name backend type inputfile
det_backend
- scrfd_10g_kps
- scrfd_2.5g_kps
- scrfd_500m_kps
tddfa_model_name
- 3ddfa_mb1_bfm_base
- 3ddfa_mb1_bfm_dense
- 3ddfa_mb05_bfm_base
- 3ddfa_mb05_bfm_dense
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
人脸解析
人脸解析
./build/samples/FaceParsing bisenet backend type inputfile
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
OCR
OCR
./build/samples/PPOcr ppocr_det det_backend ppocr_cls cls_backend ppocr_ret rec_backend type inputfile
det_backend/cls_backend/rec_backend
- ONNX
- MNN
- NCNN
- OpenVINO
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
YoloX
YoloX
./build/samples/YoloX model_name backend type inputfile
model_name
- yolox_tiny
- yolox_nano
- yolox_s
- yolox_m
- yolox_l
- yolox_x
- yolox_darknet
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
YoloV7
YoloV7
./build/samples/YoloV7 model_name backend type inputfile
model_name
- yolov7_tiny
- yolov7_tiny_grid
- yolov7
- yolov7_grid
- yolov7x
- yolov7x_grid
- yolov7_d6_grid
- yolov7_e6_grid
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
YoloV8
YoloV8
./build/samples/YoloV8 model_name backend type inputfile
model_name
- yolov8n
- yolov8s
- yolov8m
- yolov8l
- yolov8x
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
MobileViT
MobileViT
./build/samples/MobileViT model_name backend inputfile
model_name
- mobilevit_xxs
- mobilevit_s
backend
- ONNX
- MNN
- OpenVINO
MoveNet
MoveNet
./build/samples/Movenet movenet backend type inputfile
backend
- ONNX
- MNN
- NCNN
- OpenVINO
- TNN
- PaddleLite
type
- 0 - 图像
- 1 - 视频
inputfile: 0 是网络摄像头
MobileStyleGan
MobileStyleGan
./build/samples/MobileStyleGan mobilestylegan_mappingnetwork map_backend mobilestylegan_synthesisnetwork syn_backend
- map_backend/syn_backend
- ONNX
- MNN
- OpenVINO
AnimeGan
AnimeGan
./build/samples/AnimeGan model_name backend 0 inputfile
model_name
- animeganv2_celeba_distill
- animeganv2_celeba_distill_dynamic
- animeganv2_face_paint_v1
- animeganv2_face_paint_v1_dynamic
- animeganv2_face_paint_v2
- animeganv2_face_paint_v2_dynamic
- animeganv2_paprika
- animeganv2_paprika_dynamic
backend
- ONNX
- MNN
- OpenVINO
风险与陷阱 🐱 🐶 🐭 🐹 🐰 🐺 🐸 🐯 🐨 🐻 🐷
风险与陷阱
- Android RTTI
Q:
XXXX/3rdparty/yaml-cpp/depthguard.h:54:9:错误:在禁用异常的情况下,无法使用 'throw'
从 XXXX/opencv/native/jni/include/opencv2/opencv.hpp:65 中包含的文件中出现此错误:
从 XXXX/opencv/native/jni/include/opencv2/flann.hpp:48 中包含的文件中出现此错误:
从 XXXX/opencv/native/jni/include/opencv2/flann/flann_base.hpp:41 中包含的文件中出现此错误:
从 XXXX/opencv/native/jni/include/opencv2/flann/params.h:35 中包含的文件中出现此错误:
XXXX/opencv/native/jni/include/opencv2/flann/any.h:60:63:错误:使用 typeid 时需要启用 -frtti
A:
在 app/build.gradle 文件中添加 -fexceptions。
externalNativeBuild {
ndkBuild {
cppFlags "-std=c++11", "-fexceptions"
arguments "APP_OPTIM=release", "NDK_DEBUG=0"
abiFilters "arm64-v8a"
}
}
如果编译时使用 ncnn,请关闭 RTTI。
cmake -DCMAKE_TOOLCHAIN_FILE=../../android-ndk-r25c/build/cmake/android.toolchain.cmake -DANDROID_ABI="arm64-v8a" -DANDROID_PLATFORM=android-24 -DNCNN_SHARED_LIB=ON -DANDROID_ARM_NEON=ON -DNCNN_DISABLE_EXCEPTION=OFF -DNCNN_DISABLE_RTTI=OFF ..
参考链接:issues/3231
- Android MNN
Q:
I/MNNJNI: 无法找到类型为 3 的后端,改为使用 0
A:
在加载 SO 文件时,显式调用 System.load("libMNN_CL.so")。然而,在 CMakeLists.txt 中,似乎无法通过将 SO 文件链接到 libMNN_CL 上来解决问题。
init {
System.loadLibrary("aidb")
System.loadLibrary("MNN");
try {
System.loadLibrary("MNN_CL")
System.loadLibrary("MNN_Express")
System.loadLibrary("MNN_Vulkan")
} catch (ce: Throwable) {
Log.w("MNNJNI", "load MNN GPU so exception=%s", ce)
}
System.loadLibrary("mnncore")
}
- Android Studio
Q:
内存不足:Java 堆空间
A:
gradle.properties -> org.gradle.jvmargs=-Xmx4g -Dfile.encoding=UTF-8
- Android Paddle Lite
Q:由于 Paddle Lite 不支持“calib”相关的内核。 A:使用带有 FP16 标签的库。
Q:Paddle Lite 不支持“conv2d”相关的内核。 A:转换模型——设置 valid_targets = arm,同时开启 FP16,并使用 opt/lib 版本。
- Android OpenVINO
Q:如何在 Android 系统中使用 OpenVINO 部署模型(参考链接:https://github.com/openvinotoolkit/openvino/issues/15006)。
A:
第一步
- 构建 OpenVINO 库。以下是我的编译说明:
cmake -DCMAKE_BUILD_TYPE=Release -DCMAKE_TOOLCHAIN_FILE=android-ndk-r25c/build/cmake/android.toolchain.cmake -DANDROID_ABI=arm64-v8a -DANDROID_PLATFORM=30 -DANDROID_STL=c++_shared -DENABLE_SAMPLES=OFF -DENABLE_OPENCV=OFF -DENABLE_CLDNN=OFF -DENABLE_VPU=OFF -DENABLE_GNA=OFF -DENABLE_MYRIAD=OFF -DENABLE_TESTS=OFF -DENABLE_BEH_TESTS=OFF ..
- 构建 OpenVINO 库。以下是我的编译说明:
第二步
- 将 OpenVINO 库(*.so 文件)放入 assets 目录中。(根据需要选择合适的插件)
第三步
- 如果您的设备未root,则需将 libc++.so 和 libc++_shared.so 放入 assets 目录中。
Q:
dlopen failed: 库 “libc++_shared.so” 未找到
A:
cmakelist.txt
add_library(libc++_shared STATIC IMPORTED)
set_target_properties(libc++_shared PROPERTIES IMPORTED_LOCATION ${CMAKE_CURRENT_LIST_DIR}/../libs/android/opencv/native/libs/${ANDROID_ABI}/libc++_shared.so)
Q:
java.lang.UnsatisfiedLinkError: dlopen failed: 无法定位符号 "__emutls_get_address",该符号被引用于 "/data/app/~~DMBfRqeqFvKzb9yUIkUZiQ==/com.hulk.aidb_demo-HrziaiyGs2adLTT-aQqemg==/lib/arm64/libopenvino_arm_cpu_plugin.so"...
A:构建 OpenVINO ARM 库,并将 *.so 文件放置在 app/libs/${ANDROID_ABI}/ 目录下。(需在 build.gradle 中添加 jniLibs.srcDirs = ['libs'])
Q:
库 "/system/lib64/libc++.so" ("/system/lib64/libc++.so") 需要或由 "/apex/com.android.art/lib64/libnativeloader.so" 打开,但该库对命名空间不可访问:[name="classloader-namespace", ld_library_paths="", default_library_paths="/data/app/~~IWBQrjWXHt7o71mstUGRHA==/com.hulk.aidb_demo-cfq3aSk8DN62UDtoKV4Vfg==/lib/arm64:/data/app/~~IWBQrjWXHt7o71mstUGRHA==/com.hulk.aidb_demo-cfq3aSk8DN62UDtoKV4Vfg==/base.apk!/lib/arm64-v8a", permitted_paths="/data:/mnt/expand:/data/data/com.hulk.aidb_demo"]
A:将 libc++.so 放入 Android Studio 的 app/libs/${ANDROID_ABI}/ 目录中。(需在 build.gradle 中添加 jniLibs.srcDirs = ['libs'])
维护者
贡献方式
欢迎随时加入!打开一个 issue 或提交 PR。
AiDB 遵循 贡献者誓言 的行为准则。
贡献者
许可证
MIT © Hulk Wang
版本历史
1.1.02025/02/061.0.02025/02/06常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。