DeepStack

全球领先的跨平台边缘设备 AI 引擎，在 Docker Hub 上拥有超过 1000 万 次安装。

官网: https://deepstack.cc

文档: https://docs.deepstack.cc

论坛: https://forum.deepstack.cc

开发者中心: https://dev.deepstack.cc

DeepStack 由 DeepQuest AI 拥有并维护。

简介

DeepStack 是一款 AI API 引擎，可在本地或多台边缘设备上或您的私有云中提供预构建模型和自定义模型服务。支持的平台包括：

• Linux OS：通过 Docker（支持 CPU 和 NVIDIA GPU）
• Mac OS：通过 Docker
• Windows 10：原生应用，支持 CPU 和 GPU
• NVIDIA Jetson：通过 Docker
• Raspberry Pi & ARM64 设备：通过 Docker

DeepStack 完全离线运行，不依赖云端。您也可以在任何已安装 Docker 的云虚拟机上部署和运行 DeepStack，将其用作您自己的先进、实时的私有 AI 服务器。

功能

• 人脸 API：人脸检测、识别与匹配。

  

• 常见物体 API：针对 80 种常见物体 的物体检测。

  

• 自定义模型：训练并部署新模型以检测任何自定义物体。

  

• 图像增强：4 倍图像超分辨率

  输入

  

  输出

• 场景识别：图像场景识别

• SSL 支持

• API Key 支持：用于保护您的 DeepStack 端点的安全选项

安装与使用

请访问 https://docs.deepstack.cc/getting-started 获取安装说明。文档提供了以下编程语言的示例代码，并将很快增加更多语言的支持：

• Python
• C#
• NodeJS

从源码构建（适用于 Docker 版本）

• 安装先决条件

  • 安装 Golang
  • 安装 Docker
  • 安装 GIT
  • 安装 GIT LFS
  • 安装 Redis Server
  • 安装 Python3.7
  • 安装 Powershell 7+

• 克隆 DeepStack 仓库

  git clone https://github.com/johnolafenwa/DeepStack.git

• 进入 DeepStack 仓库目录

  cd DeepStack

• 获取仓库文件

  git lfs pull

• 使用 Powershell 下载二进制依赖项

  .\download_dependencies.ps1

• 构建 DeepStack CPU 版本

  cd .. && sudo docker build -t deepquestai/deepstack:cpu . -f Dockerfile.cpu

• 构建 DeepStack GPU 版本

  sudo docker build -t deepquestai/deepstack:gpu . -f Dockerfile.gpu

• 构建 DeepStack Jetson 版本

  sudo docker build -t deepquestai/deepstack:jetpack . -f Dockerfile.gpu-jetpack

• 无需构建即可本地运行和测试

  • 如果您不想将依赖项全局安装到系统中，请使用 python3.7 -m venv venv 创建一个虚拟环境，并通过 source venv/bin/activate 激活它。

  • 使用 pip3 install -r requirements.txt 安装依赖项。

  • 对于 CPU 版本，使用 pip3 install torch==1.6.0+cpu torchvision==0.7.0+cpu -f https://download.pytorch.org/whl/torch_stable.html 安装 PyTorch。

  • 对于 GPU 版本，使用 pip3 install torch==1.6.0+cu101 torchvision==0.7.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html 安装 PyTorch。

  • 启动 Powershell： pwsh

  • 对于 CPU 版本，运行 .\setup_docker_cpu.ps1。

  • 对于 GPU 版本，运行 .\setup_docker_gpu.ps1。

  • 进入服务器目录： cd server

  • 构建 DeepStack 服务器： go build

  • 设置要启用的 API； $env:VISION_DETECTION = "True", $env:VISION_FACE = "True", $env:VISION_SCENE = "True"

  • 运行 DeepStack： .\server

  所有日志都可以在仓库根目录下的 directory 文件夹中找到。 请注意，DeepStack 将在默认端口 5000 上运行。

集成与社区

DeepStack 生态系统包含许多流行的集成和库，旨在扩展 AI 引擎的功能，以服务于物联网、工业、监控和研究等应用场景。以下列出其中一些：

• HASS-DeepStack-Object：由 Robin Cole 开发的 Home Assistant 插件，用于检测常见对象及自定义对象。
• HASS-DeepStack-Face：由 Robin Cole 开发的 Home Assistant 插件，用于人脸检测、注册和识别。
• HASS-DeepStack-Scene：由 Robin Cole 开发的 Home Assistant 插件，用于场景识别。
• DeepStack 与 Blue Iris - YouTube 视频：由 TheHookUp 频道提供的 DeepStack + BluIris 搭建教程。
• Blue Iris + Deepstack 内置！全程演示：同样是 TheHookUp 频道发布的最新 DeepStack + BluIris 搭建教程。
• DeepStack 与 Blue Iris - 论坛讨论：IPCamTalk 网站上关于 DeepStack 的全面讨论帖。
• DeepStack 在 Home Assistant 上：Home Assistant 论坛网站上关于 DeepStack 的全面讨论帖。
• DeepStack-UI：由 Robin Cole 开发的 Streamlit 应用，用于探索 DeepStack 的各项功能。
• DeepStack-Python Helper：由 Robin Cole 开发的 DeepStack API Python 客户端库。
• DeepStack-Analytics：由 Robin Cole 开发的分析工具，用于探索 DeepStack 的 API。
• DeepStackAI Trigger：由 Neil Enns 开发的 DeepStack 自动化系统集成，支持 MQTT 和 Telegram。
• node-red-contrib-deepstack：由 Joakim Lundin 开发的适用于所有 DeepStack API 的 NodeRED 集成。
• DeepStack_USPS：由 Stephen Stratoti 构建的用于检测 USPS 标志的自定义 DeepStack 模型。
• AgenDVR：由 Sean Tearney 构建的集成了 DeepStack 的 DVR 平台。
• On-Guard：由 Ken 开发的基于 HTTP、ONVIF 和 FTP 的安防摄像头应用，并集成了 DeepStack。

贡献者指南

（即将推出）

DeepStack 快速上手指南

DeepStack 是一款领先的跨平台边缘计算 AI 引擎，支持在本地或私有云上运行预构建模型及自定义模型。它完全离线运行，不依赖云端服务，适用于 Linux、Mac、Windows、NVIDIA Jetson 及树莓派等设备。

环境准备

系统要求

DeepStack 支持以下平台：

• Linux: 通过 Docker 运行（支持 CPU 和 NVIDIA GPU）
• Mac OS: 通过 Docker 运行
• Windows 10: 原生应用（支持 CPU 和 GPU）
• NVIDIA Jetson: 通过 Docker 运行
• Raspberry Pi & ARM64 设备: 通过 Docker 运行

前置依赖（源码编译版）

若需从源码构建 Docker 镜像，请确保安装以下工具：

• Golang
• Docker
• GIT 及 GIT LFS
• Redis Server
• Python 3.7
• Powershell 7+

提示：对于大多数用户，直接拉取官方 Docker 镜像是最快捷的方式，无需安装上述全部开发依赖。

安装步骤

方式一：使用 Docker（推荐）

这是最简单且通用的安装方式。根据你的硬件环境选择对应的镜像。

1. 拉取 CPU 版本镜像：

docker pull deepquestai/deepstack:cpu

2. 拉取 GPU 版本镜像（需 NVIDIA 显卡及驱动）：

docker pull deepquestai/deepstack:gpu

3. 启动容器： 以下命令以 GPU 版本为例，将本地 5000 端口映射到容器，并启用目标检测功能。

docker run -d -v /path/to/custom/models:/custom-models -p 5000:5000 --gpus all -e VISION_DETECTION=True deepquestai/deepstack:gpu

注：将 /path/to/custom/models 替换为你本地的模型存储路径。若使用 CPU 版本，请移除 --gpus all 参数并使用 deepquestai/deepstack:cpu 镜像。

方式二：从源码构建（进阶）

仅当你需要修改源码或构建特定架构镜像时使用此方法。

# 克隆仓库
git clone https://github.com/johnolafenwa/DeepStack.git
cd DeepStack

# 获取大文件
git lfs pull

# 下载二进制依赖 (Windows/Powershell 环境)
.\download_dependencies.ps1

# 构建 CPU 版本
sudo docker build -t deepquestai/deepstack:cpu . -f Dockerfile.cpu

# 构建 GPU 版本
sudo docker build -t deepquestai/deepstack:gpu . -f Dockerfile.gpu

基本使用

DeepStack 启动后默认监听 5000 端口。你可以通过 HTTP API 调用其功能。以下是一个使用 Python 进行物体检测的最简示例。

1. 安装 Python 客户端库

pip install requests

2. 调用检测 API

创建一个名为 detect.py 的文件，填入以下代码：

import requests

# DeepStack 地址
url = "http://localhost:5000/vision/detection"

# 准备图片文件
files = {"image": open("sample.jpg", "rb")}

# 发送请求
response = requests.post(url, files=files)

# 打印结果
if response.status_code == 200:
    print(response.json())
else:
    print(f"Error: {response.status_code}, {response.text}")

3. 运行测试

确保当前目录下有一张名为 sample.jpg 的图片，然后运行：

python detect.py

如果配置正确，你将收到包含检测到的物体名称、置信度及坐标位置的 JSON 数据。

可用功能开关

在启动 Docker 时，可通过环境变量 -e 开启特定功能：

• 物体检测：-e VISION_DETECTION=True
• 人脸识别：-e VISION_FACE=True
• 场景识别：-e VISION_SCENE=True

更多语言示例（C#, NodeJS）及详细 API 文档请访问 DeepStack 官方文档。