智能视觉检测平台产品系统

传统工业场景下的目标检测任务（如矿山安全监控、垃圾检测、质量检测等）存在以下痛点：1）模型训练流程繁琐，需要专业AI工程师手动操作，效率低下；2）模型部署到边缘设备（如BM1684X芯片）需要复杂的格式转换和编译流程，部署周期长；3）多设备部署需要逐个手动操作，无法批量并行处理；4）缺乏统一的数据集管理和标注平台，数据管理混乱。本项目旨在构建一个端到端的智能视觉检测平台，实现从数据集管理、模型训练、模型转换到边缘设备部署的全流程自动化，大幅提升AI模型从开发到部署的效率。

本项目包含12个核心功能模块：1）用户权限管理模块：实现JWT认证、基于角色的权限控制（RBAC）、用户注册登录、密码重置、邮箱验证等功能；2）数据集管理模块：支持单张图片和压缩包批量上传、在线图像标注工具（YOLO格式）、多级数据集分类、MD5哈希去重、标注进度统计；3）模型训练模块：支持YOLOv8n/s/m/l/x多种模型规格训练、可配置训练参数（epoch、batch size、图像尺寸）、训练进度实时监控、权重版本管理、模型继承训练；4）模型部署模块：实现PyTorch模型到ONNX再到BModel的格式转换流水线、支持FP16/FP32精度选择、远程Docker容器编译、TPU-MLIR工具链集成、多摄像头并行部署、RTSP推流服务自动配置；5）实时检测模块：支持多种模型权重切换、实时图像检测、检测结果展示和数据库存储；6）摄像头管理模块：摄像头信息管理（IP、位置、应用场景）、状态监控、批量操作；7）标签管理模块：检测类别标签的增删改查；8）图像管理模块：图像信息的查询和管理；9）标注管理模块：标注数据的增删改查；10）模型管理模块：模型信息的创建和管理；11）服务器管理模块：服务器配置和监控；12）数据统计模块：各类数据的统计和报表。

1）后端架构设计与开发：使用Flask框架设计RESTful API架构，采用Blueprint实现模块化开发，开发了12个业务模块，编写了15,000+行Python代码，实现了50+个API接口；2）数据库设计与优化：设计15+个数据模型，建立完善的外键关系和级联删除机制，处理复杂的外键约束问题，确保数据一致性；3）模型训练模块开发：集成Ultralytics YOLOv8框架，实现训练参数配置、训练进度跟踪、权重版本管理等功能；4）模型部署系统开发（核心亮点）：设计并实现了完整的模型部署流水线，包括ONNX模型导出、远程Docker编译、BModel生成、多摄像头并行部署等功能，使用ThreadPoolExecutor实现并发处理，部署效率提升10倍；5）并发处理优化：使用ThreadPoolExecutor实现多摄像头并行部署，使用Lock保护共享资源，实现线程安全的进度跟踪和错误处理；6）错误处理与容错：实现完善的数据库事务回滚机制、SSH连接超时处理、文件传输超时控制、异常处理和资源清理；7）路径管理系统：实现统一的路径规范化处理，支持跨平台（Windows/Linux），处理路径中的重复段和特殊字符；8）JWT认证系统：实现Access Token和Refresh Token机制，支持Token刷新和过期处理。
技术栈：后端采用Flask + SQLAlchemy ORM + JWT构建RESTful API，数据库使用MySQL，AI框架使用Ultralytics YOLOv8，异步任务使用Threading + ThreadPoolExecutor，网络通信使用Paramiko（SSH/SFTP）和Requests（HTTP），模型转换涉及ONNX导出和TPU-MLIR工具链，部署使用Docker容器化，前端使用Vue.js + Element UI。