LittleModel Lab

要解决的问题

小模型的能力边界很模糊：「能跑」和「能用」之间差着参数、预处理和失败案例。这个项目的重点不是把模型接进来就完事，而是给每个 Demo 标清楚——最佳用法是什么、什么时候会失败、在本机实测多快。看不清边界的能力，用起来就是赌运气。

现在能跑的八个

• 人脸识别

  InsightFace SCRFD 检测加 ArcFace 特征，支持 1:N 比对与注册。

• 人体姿态

  YOLOv8n-pose，多人 17 关键点，实时叠加骨架。

• 车牌识别

  YOLOv5-plate 检测配 PP-OCRv4 识别，中文车牌整牌输出。

• 人数统计

  YOLOv8n 检测加轻量 ByteTrack 跟踪，按越线方向计数。

• 视频浓缩

  把不同时段的轨迹排到同一条时间轴，压缩空闲时间，导出 MJPEG AVI。

• 单目点云

  Depth Anything V2 出深度，转成可旋转缩放的点云并导出 PLY。

• 单图浮雕

  同一套深度模型生成带顶点色的三角网格，支持转台与 PLY 导出。

• 中文聊天

  Qwen2.5-0.5B-Instruct 量化版经 llama.cpp 流式输出，可停止、可多轮。

每张卡片都写清边界

卡片右下角和每个 Demo 顶栏都能打开同一份说明面板，四块内容固定：最佳用法、能力边界、实测指标（含数据集、样本量和硬件条件）、已知失败案例。文案只维护一份 assets/demos.json，界面和文档读同一个源，避免宣传口径和实际表现对不上。

• 不吹精度。车牌在 119 张自建样例上整牌正确率 90.76%，是同一批小样本的结果，不当作独立测试集精度。
• 不吹 GPU。当前全部走 CPU 推理，4 GB 显存只是开发机配置，不表示已启用显卡加速。
• 不吹 3D。点云是带近似相机参数的相对深度可视化；浮雕只有可见表面，没有背面和真实尺寸，不能直接打印。
• 许可写明白。代码 MIT，但 InsightFace 权重等仅限非商用研究，商用前必须替换或取得授权。

工程细节

每个 Demo 是独立进程，入口会先检查可执行文件和模型权重是否存在且非空，缺模型就不显示「可运行」，而不是点进去再报错。推理线程数可以统一限制，方便在后台还有别的模型在跑时让出 CPU。交付是免安装的 run/ 目录，约 174 MB，含八个可执行文件和全部运行库，双击即可进入汇总页。

界面