电力巡检图像智能检测系统 (Image Detection System)

本项目是一个基于 YOLO 的电力巡检图像智能检测系统，采用前后端分离架构。系统结合了 Python 的灵活性与 C++ TensorRT 的高性能推理能力，并配备了现代化的 Vue 3 前端界面。

✨ 核心特性

• 高性能推理 (Backend):
  • Python: 集成 Ultralytics YOLO，支持动态模型切换与 RESTful API (FastAPI)。
  • C++: 基于 TensorRT 的深度优化，支持 FP16/INT8 量化、自定义 CUDA 后处理算子融合及多 Batch 并行推理。
• 现代化交互 (Frontend):
  • 基于 Vue 3 + Vite + Tailwind CSS 4.0 构建。
  • 提供极简 UI、图片缩放查看器及本地历史记录管理功能。

📂 项目结构

目录	说明	关键技术
backend/python/	业务后端与训练	FastAPI, PyTorch, Ultralytics YOLO
backend/cpp/	高性能推理引擎	TensorRT, CUDA, C++
frontend/	用户交互界面	Vue 3, Vite, Tailwind CSS

🐳 容器化部署 (Docker)

本项目支持 Docker Compose 一键部署完整系统（包含 GPU 支持）。

前置要求

• Docker & Docker Compose
• NVIDIA Driver & NVIDIA Container Toolkit (用于 GPU 加速)

一键启动

在项目根目录下执行：

docker-compose up --build

启动后访问：

• 前端界面: http://localhost:5173
• 后端 API 文档: http://localhost:8000/docs

🚀 本地开发快速开始

1. Python 后端环境配置

推荐使用 uv 进行包管理，以快速安装支持 CUDA 12.1 的 PyTorch 环境：

cd backend/python

# 同步环境 (自动安装所有依赖)
uv sync

# 启动 API 服务
uv run python src/image_detection/web/api.py

2. C++ 推理加速 (可选)

如需极致性能，可编译 C++ 模块。详细步骤请参考 C++ Backend README。

3. 前端启动

cd frontend

# 安装依赖
pnpm install

# 启动开发服务器
pnpm dev

访问 http://localhost:5173 即可使用系统。

---

详细开发文档请参考各子目录下的 README.md。