模型库

用于卡牌追踪的 AI 模型

cardstream 只需要两个模型：一个在画面里找到卡，一个把新卡和正在看的那张区分开。另有一个可选的第三个模型，在两次检测之间跟踪卡牌。架构和权重都是 Apache-2.0，商用无需另行授权。

`cardstream-seg-nano` 默认定位器

实例分割：卡牌的轮廓

找出卡牌的四个角，所以送去识别的裁切图是经过透视校正、紧贴卡边的，而不是一个带着背景楔角的方块。同时也让身份闸门更稳定：卡在手里倾斜一下，嵌入向量不会变。

架构: RF-DETR Seg Nano
运行时: ONNX Runtime
延迟（CPU）: 约 82 ms / 帧
参数: --segmentor-model
权重许可证: Apache-2.0
架构许可证: Apache-2.0 (Roboflow)

版本	发布日期	分辨率	大小	SHA-256	下载
`v2` 当前	2026-10	312 × 312	125 MB	`c740782cdab1a65408b6fd55fe6e9a5070307189e036361597201714eb3bce61`	下载
`v1`	2026-09	312 × 312	125 MB	`94af531c4fea1e17fcdf393f5bf1cc257a54c8a9ab1eb402e1e8b37213249fd9`	下载

`cardstream-embed-mnv2` 默认闸门

嵌入向量：判断是否同一张卡的身份闸门

下载 v1

回答那个决定你要不要付费的唯一问题：同一张卡，还是新卡？通过 256 维描述向量之间的余弦距离比较裁切图。正是它让每张卡只调用一次 API 成为可能。

架构: MobileNetV2
运行时: ONNX Runtime · PyTorch · LiteRT
延迟（CPU）: 约 5 ms / 裁切图
参数: --embed-model
权重许可证: Apache-2.0
架构许可证: Apache-2.0 (Google)

版本	发布日期	分辨率	大小	SHA-256	下载
`v1` 当前	2026-09	384 × 384	9.8 MB	`f45ac9756dd621f021809f3237e5c06ce82377d4d6b1f3b8f6951804cd0369e2`	下载

`vittrack` 可选跟踪器

视觉跟踪：在两次检测之间接力边界框

下载 2023sep

OpenCV 官方发布的 vitTracker，直接取自 OpenCV zoo。一次跟踪器更新约 2.7 ms，而一次检测约 80 ms，所以加上 --tracker-model 后，检测退居为低频的重新同步层，CPU 上的实时处理变得轻松。它只判断有没有卡：是同一张还是新的一张，仍由身份闸门决定。

架构: TrackerVit
运行时: OpenCV
延迟（CPU）: 约 2.7 ms / 帧
参数: --tracker-model
权重许可证: Apache-2.0
架构许可证: Apache-2.0 (OpenCV)

版本	发布日期	分辨率	大小	SHA-256	下载
`2023sep` 当前	2023-09	128 × 128	698 KB	`2990f0b7cd44d92afa48cd97db6de7be113fc1d9594fddb74e2725c10478e91d`	下载

开源。自托管。你的直播，你的技术栈。

没有中间平台，没有按席位收费的许可：接入 Ximilar API 或你自己的识别系统，cardstream 对每张不同的卡只调用一次，而不是每帧一次。无论你是在 Whatnot 上拆盒、做 Fanatics Live 式的直播秀，还是在自己的直播电商环境里开播，今晚就能用手头现有的硬件跑起 cardstream。

在 GitHub 上点个 Star 获取 Ximilar API 密钥