Modeloverzicht

AI-modellen voor het volgen van kaarten

cardstream heeft precies twee modellen nodig: één om de kaart in het frame te vinden en één om een nieuwe kaart te onderscheiden van de kaart die al in beeld is. Daarbij komt een optioneel derde model dat de kaart tussen detecties volgt. Architectuur en gewichten zijn allebei Apache-2.0, dus je mag ze commercieel gebruiken zonder aparte licentie.

`cardstream-seg-nano` Standaardlocator

Instance-segmentatie: de omtrek van de kaart

Download v2

Vindt de vier hoeken van de kaart, zodat de uitsnede die ter identificatie wordt verstuurd, is rechtgetrokken en strak langs de kaartrand is gesneden in plaats van een rechthoek met wiggen achtergrond. Het maakt ook het identiteitsfilter stabieler: een kaart die in je hand kantelt, houdt zijn embedding.

Architectuur: RF-DETR Seg Nano
Runtime: ONNX Runtime
Latency (CPU): ~82 ms / frame
Flag: --segmentor-model
Licentie gewichten: Apache-2.0
Licentie architectuur: Apache-2.0 (Roboflow)

Versie	Uitgebracht	Resolutie	Grootte	SHA-256	Download
`v2` huidig	2026-10	312 × 312	125 MB	`c740782cdab1a65408b6fd55fe6e9a5070307189e036361597201714eb3bce61`	Download
`v1`	2026-09	312 × 312	125 MB	`94af531c4fea1e17fcdf393f5bf1cc257a54c8a9ab1eb402e1e8b37213249fd9`	Download

`cardstream-embed-mnv2` Standaardfilter

Embedding: het identiteitsfilter (dezelfde kaart?)

Download v1

Beantwoordt de ene vraag die bepaalt of je iets betaalt: dezelfde kaart, of een nieuwe? Vergelijkt uitsneden op de cosinusafstand tussen descriptoren van 256 dimensies. Dit maakt één API-aanroep per kaart mogelijk.

Architectuur: MobileNetV2
Runtime: ONNX Runtime · PyTorch · LiteRT
Latency (CPU): ~5 ms / uitsnede
Flag: --embed-model
Licentie gewichten: Apache-2.0
Licentie architectuur: Apache-2.0 (Google)

Versie	Uitgebracht	Resolutie	Grootte	SHA-256	Download
`v1` huidig	2026-09	384 × 384	9.8 MB	`f45ac9756dd621f021809f3237e5c06ce82377d4d6b1f3b8f6951804cd0369e2`	Download

`vittrack` Optionele tracker

Visuele tracking: houdt de bounding box vast tussen detecties

Download 2023sep

De door OpenCV gepubliceerde vitTracker, rechtstreeks uit de OpenCV-zoo. Een tracker-update kost ~2,7 ms, een detectie ~80 ms. Met --tracker-model zakt de detectie daarom naar een trage stand om opnieuw te synchroniseren, en wordt realtime op de CPU makkelijk. Alleen aanwezigheid: het identiteitsfilter beslist nog steeds of het dezelfde kaart is of een nieuwe.

Architectuur: TrackerVit
Runtime: OpenCV
Latency (CPU): ~2,7 ms / frame
Flag: --tracker-model
Licentie gewichten: Apache-2.0
Licentie architectuur: Apache-2.0 (OpenCV)

Versie	Uitgebracht	Resolutie	Grootte	SHA-256	Download
`2023sep` huidig	2023-09	128 × 128	698 KB	`2990f0b7cd44d92afa48cd97db6de7be113fc1d9594fddb74e2725c10478e91d`	Download

Open source. Zelf gehost. Jouw stream, jouw stack.

Geen platform ertussen, geen licentie per gebruiker: koppel de Ximilar-API of je eigen identificatiesysteem, en cardstream roept het één keer per nieuwe kaart aan in plaats van één keer per frame. Of je nu breaks doet op Whatnot, een show draait zoals op Fanatics Live of live verkoopt via je eigen opstelling: draai cardstream vanavond nog, op de hardware die je al hebt.

Geef een ster op GitHub Vraag een Ximilar-API-sleutel aan