Zoo model

Model AI untuk penjejakan kad

cardstream memerlukan tepat dua model: satu untuk mencari kad dalam bingkai, dan satu untuk membezakan kad baharu daripada kad yang sedang dilihatnya, serta model ketiga pilihan yang menjejak kad di antara pengesanan. Seni bina dan pemberat kedua-duanya berlesen Apache-2.0, jadi anda boleh menggunakannya secara komersial tanpa lesen berasingan.

`cardstream-seg-nano` Pencari kad lalai

Segmentasi instans: garis luar kad

Muat turun v2

Mencari empat bucu kad, jadi keratan yang dihantar untuk pengecaman diluruskan dan dipotong rapat pada tepi kad, bukannya berbentuk segi empat dengan baji latar belakang. Ia juga menstabilkan penapis identiti: kad yang senget di tangan mengekalkan embeddingnya.

Seni bina: RF-DETR Seg Nano
Masa jalan: ONNX Runtime
Kependaman (CPU): ~82 ms / bingkai
Bendera: --segmentor-model
Lesen pemberat: Apache-2.0
Lesen seni bina: Apache-2.0 (Roboflow)

Versi	Dikeluarkan	Resolusi	Saiz	SHA-256	Muat turun
`v2` semasa	2026-10	312 × 312	125 MB	`c740782cdab1a65408b6fd55fe6e9a5070307189e036361597201714eb3bce61`	Muat turun
`v1`	2026-09	312 × 312	125 MB	`94af531c4fea1e17fcdf393f5bf1cc257a54c8a9ab1eb402e1e8b37213249fd9`	Muat turun

`cardstream-embed-mnv2` Penapis lalai

Embedding: penapis identiti kad yang sama

Muat turun v1

Menjawab satu soalan yang menentukan sama ada anda dicaj: kad yang sama, atau kad baharu? Membandingkan keratan melalui jarak kosinus antara deskriptor 256 dimensi. Inilah yang membolehkan satu panggilan API bagi setiap kad.

Seni bina: MobileNetV2
Masa jalan: ONNX Runtime · PyTorch · LiteRT
Kependaman (CPU): ~5 ms / keratan
Bendera: --embed-model
Lesen pemberat: Apache-2.0
Lesen seni bina: Apache-2.0 (Google)

Versi	Dikeluarkan	Resolusi	Saiz	SHA-256	Muat turun
`v1` semasa	2026-09	384 × 384	9.8 MB	`f45ac9756dd621f021809f3237e5c06ce82377d4d6b1f3b8f6951804cd0369e2`	Muat turun

`vittrack` Penjejak pilihan

Penjejakan visual: membawa kotak sempadan di antara pengesanan

Muat turun 2023sep

vitTracker terbitan OpenCV, dimuat turun terus dari zoo OpenCV. Satu kemas kini penjejak mengambil masa ~2.7 ms manakala satu pengesanan mengambil ~80 ms, jadi dengan --tracker-model, pengesanan turun ke peringkat penyelarasan semula yang perlahan dan masa nyata pada CPU menjadi mudah. Hanya untuk kehadiran kad: penapis identiti masih menentukan kad yang sama atau kad baharu.

Seni bina: TrackerVit
Masa jalan: OpenCV
Kependaman (CPU): ~2.7 ms / bingkai
Bendera: --tracker-model
Lesen pemberat: Apache-2.0
Lesen seni bina: Apache-2.0 (OpenCV)

Versi	Dikeluarkan	Resolusi	Saiz	SHA-256	Muat turun
`2023sep` semasa	2023-09	128 × 128	698 KB	`2990f0b7cd44d92afa48cd97db6de7be113fc1d9594fddb74e2725c10478e91d`	Muat turun

Sumber terbuka. Dihoskan sendiri. Strim anda, sistem anda.

Tiada platform di tengah, tiada lesen bagi setiap pengguna: sambungkan API Ximilar atau sistem pengecaman anda sendiri, dan cardstream memanggilnya sekali bagi setiap kad yang berbeza, bukan sekali bagi setiap bingkai. Sama ada anda buat break di Whatnot, menjalankan sesi live gaya Fanatics Live atau strim jualan live dengan sistem anda sendiri, jalankan cardstream malam ini pada perkakasan yang sudah anda miliki.

Beri bintang di GitHub Dapatkan kunci API Ximilar