ShiTuApi: 轻松集成尖端AI视觉能力，赋能您的AI视觉工程应用程序

       您是否正在寻找一种快速、高效且功能强大的方式，将世界级的图像识别能力集成到您的软件项目中？您是否希望利用深度学习的力量，但又被模型部署、性能优化和复杂的编程接口所困扰？现在，我们荣幸地推出 ShiTuApi——一个专为开发者设计的、基于百度飞桨（PaddlePaddle）视觉套件的强大C API库。

1. ShiTuApi 是什么？—— 连接AI与现实的桥梁

ShiTuApi 是一个基于百度飞桨 PaddleClas 视觉基础模型库进行的深度重构与二次开发的C API动态链接库（DLL）。我们保留了其世界一流的图像识别（特征提取）和目标检测核心算法，同时对其进行了全面的工程化封装，旨在解决AI模型在实际项目中“落地难”的问题。

我们的目标非常明确：让每一位开发者，无论其AI背景深浅，都能像调用一个普通函数一样，轻松地将顶级的AI视觉能力集成到自己的应用程序中。

核心技术栈:

• AI核心: 百度飞桨 PaddleClas 识别套件

• 推理引擎: Paddle Inference (v3.0.0-beta1)

• 核心语言: 高性能的现代 C++ (17/20)

• 接口语言: 标准的、跨平台、跨语言的 C API

• 核心依赖: paddle_inference推理库、OpenCV (图像处理)、yaml-cpp (配置解析)、FAISS (向量检索)

重要提示: 当前公开发布的ShiTuApi版本专注于在CPU环境下的极致优化与稳定运行。如您有在NVIDIA GPU、国产NPU或其他AI芯片上运行的需求，我们提供专业的商业定制服务。

2. 我们解决了哪些痛点？—— 不仅仅是提升精度

传统的AI项目开发往往陷入一个“精度内卷”的怪圈，工程师们花费大量时间在数据采集、数据标注、模型的训练和调优上，却忽略了模型在真实世界应用中的工程化挑战。ShiTuApi 正是为解决这些痛点而生！！！

痛点问题	传统开发方式	ShiTuApi 解决方案
部署复杂，环境依赖地狱	需要手动配置Python/Conda环境、安装大量依赖库（PyTorch/TensorFlow, OpenCV等）。	零依赖绿色部署。只需几个DLL文件和几个模型文件夹，即可在任何支持C接口的语言（C#, C++, Java, Python等）中直接调用，无需配置繁琐的AI环境。
海量小目标/SKU识别难题	为成千上万种商品训练一个庞大的分类模型，不仅成本高昂，而且新增品类就需要重新训练。	以图搜图（向量检索）。您只需为每个商品提供一张图片建立索引库，即可实现精准识别。新增品类只需向索引库中添加新图片，无需重新训练模型。
性能优化门槛高	需要深入了解CUDA编程、TensorRT优化、MKL-DNN指令集才能榨干硬件性能。	开箱即用的高性能。ShiTuApi内部已集成了对CPU环境的深度优化。您只需在config.yaml中启用 enable_mkldnn: true，即可享受极致的推理速度。
API接口不友好，缺乏工程化封装	直接使用推理框架的API，需要编写大量C++或Python代码来处理图像预处理、后处理和线程管理。	极简的函数式调用。ShiTuApi_SearchByPath()一个函数即可完成从图片加载到返回识别结果的全过程。所有复杂性都被隐藏在API内部。
多线程与高并发支持差	需要开发者自己处理线程锁、模型实例的线程安全问题，极易出错。	内置线程安全机制。API的每个实例（Handle）都由内部的互斥锁（Mutex）保护，您可以放心地在多个线程中安全地调用它，轻松构建高并发服务。

优势对比：

传统的“端到端”分类模型在面对品类不断增多的场景时，其开发和维护成本会呈指数级增长。而ShiTuApi采用的“检测（可选）+识别+检索”范式，则表现出卓越的可扩展性和低成本维护优势。

3. 应用场景——您的想象力是唯一的边界

凭借其强大的“万物识别”能力，ShiTuApi可以广泛应用于各行各业：

• 智慧零售与商超: 商品自动识别、货架盘点、自助结算、竞品分析。

• 工业制造与质检: 产线零件识别、缺陷检测、物料追踪。

• 仓储与物流: 包裹/货箱识别、快速分拣、出入库管理。

• 移动应用与小程序: 拍照识物、卡证识别、logo识别、地标识别。

• 安防与监控: 特定目标（如特定车辆、着装）的查找与追踪。

4. 关键技术亮点

• Pimpl模式: 彻底隐藏C++实现细节，保证了API的二进制接口稳定性（ABI-safe），您的代码无需因为我们的内部升级而重新编译。

• 配置驱动: 通过一个简单易读的 config.yaml 文件，即可灵活配置模型、硬件、预处理和后处理等所有参数。

• 高性能向量检索: 集成Facebook AI的FAISS库，即使在百万级索引库中也能实现毫秒级的相似性搜索。

• 内置NMS算法: 智能合并重叠的识别结果，输出干净、准确的目标列表。

• 线程安全设计: 采用句柄（Handle）隔离实例，并对每个实例的所有操作进行加锁，确保了在高并发环境下的稳定运行。

5. 快速上手——只需五步

使用ShiTuApi就像调用一个工具函数一样简单：

1. 创建句柄: ShiTuApi_Create(out handle)

2. 初始化API: ShiTuApi_InitializeWithLicense(handle, "config.yaml")

3. 构建索引库: ShiTuApi_BuildIndexFromFile(handle, "image_list.txt", ...)

4. 执行搜索: ShiTuApi_SearchByPath(handle, "query.jpg", ..., out results, out num)

5. 销毁句柄: ShiTuApi_Destroy(ref handle)

6. 示例程序 ShiTuApiTestApp 指南：您的私人AI视觉实验室

ShiTuApiTestApp操作演示

欢迎使用 ShiTuApiTestApp！它不仅仅是一个简单的Demo，更是一个功能强大的、所见即所得的开发与调试工具。遵循本指南，您将能轻松驾驭ShiTuApi，开启您的AI视觉项目。

ShiTuApiTestApp源代码请参阅我们GitHub项目主页。

6.1 第一步：环境搭建与项目运行 (“让它跑起来”)

在编写任何代码之前，我们需要先让测试程序成功运行。

前提条件:

• 一台64位的Windows操作系统。

• 已安装Visual Studio 2022（推荐），并包含.NET桌面开发工作负载。

部署流程:

1. 项目建立:

   • 在Visual Studio中创建一个新的C# WinForms项目（基于.NET 8或更高版本）。

   • 将我们提供的Form1.cs, Form1.Designer.cs, ShiTuCApi.cs等源代码文件添加到您的项目中。

   • 通过NuGet包管理器搜索并安装 YamlDotNet，这是解析配置文件所必需的。

2. 核心文件部署 (关键步骤):

   • shitu_c_api.dll: 这是API的核心动态链接库。请确保您使用的是 Release 模式下编译生成的版本。将它复制到您C#项目的最终输出目录中，通常是 [项目文件夹]/bin/x64/Release/net8.0-windows/。

   • 模型文件夹: 您可以直接使用我们提供的模型，或者访问百度飞桨PaddleClas的官网下载更多的推理/训练模型，甚至是您自己训练的模型。将模型文件夹（如models）也复制到上述输出目录中。

   • 配置文件: 将 config.yaml 文件同样放置在该目录。

   • 字体文件 (可选但推荐): 如果您需要识别和显示包含中文等非英文字符的标签，请将一个中文字体文件（如msyh.ttf - 微软雅黑）也放入该目录，并在config.yaml中正确配置其路径。

3. 编译与运行:

   • 在Visual Studio顶部，将解决方案平台设置为 x64 (因为DLL是64位的)。

   • 将解决方案配置设置为 Release。

   • 点击菜单栏“生成” -> “重新生成解决方案”。这一步会确保所有代码都被重新编译。

   • 点击绿色的“启动”按钮。如果一切顺利，ShiTuApiTestApp 的主界面将展现在您的面前！

6.2 第二步：理解 config.yaml - API的“遥控器”

config.yaml 是您与ShiTuApi交互的“遥控器”。您对这个文本文件所做的任何修改，都会在下次初始化API时直接改变其内部行为。

更多详细参数和高级用法，请参阅我们GitHub项目主页上的完整文档。

---

Global 区块: 全局设定

这是API的基础环境和核心模型参数。

• enable_mkldnn: true

  • 含义: 是否在CPU模式下启用Intel的MKL-DNN加速库。

  • 用法: 如果您使用的是Intel的CPU，强烈建议保持 true，它能显著提升CPU的推理速度。

• det_inference_model_dir & rec_inference_model_dir:

  • 含义: 目标检测模型与识别模型的路径。识别模型是必需的，检测模型是可选的。

  • 模型来源: 您可以从百度飞桨PaddleClas的GitHub仓库或官网下载最新的推理模型，或者使用您自己基于PaddleClas训练的模型，ShiTuApi均可兼容。

• feature_dim: 512

  • 含义: 特征向量的维度。极其重要，必须与您使用的识别模型所输出的维度完全一致。参数预设为512维。

• threshold: 0.6

  • 含义: 检测置信度阈值。这是物体被“看见”的第一道门槛。

  • 调试技巧: 如果漏检，可降低此值（如0.5）；如果误检太多，可提高此值（如0.7）。

关于GPU参数: 您可能会在 config.yaml 中看到 use_gpu, gpu_id 等参数。在当前发布的CPU版本中，这些参数是预留项，修改它们不会产生效果。如需GPU版本，请联系我们进行商业定制。

---

IndexProcess 区块: 索引库与识别行为

这里控制着您的“图像大脑”是如何构建和工作的。

• index_dir: "./product_index/all_products": 索引库路径。程序会在这里生成 .index 和 .label 文件。

• metric_type: "IP": 相似度计算方式。IP (内积) 适用于归一化特征。L2 (欧氏距离) 是另一种选择。

• threshold: 0.6: 识别得分阈值。这是识别结果的“录取分数线”，是保证识别准确率的关键参数。

  • 调试技巧: 如果错识别太多，提高此值（如0.75）；如果想召回更多可能的结果，降低此值（如0.55）。

• use_detBuild: false: 建库模式。false为整图建库（适用于图标、Logo）；true为检测后建库（适用于背景复杂的商品），需要根据项目检测精度要求自行训练模型。

---

可视化配置 (在Global下): 调试的“眼睛”

• visualize_search_results: true / visualize_detection_results: true: 控制结果图的显示逻辑。search_results控制是否显示绿色的识别成功框，detection_results控制是否显示黄色的纯检测框。

• visualization_output_dir: "./output_vis": 所有可视化结果图片将被保存在这个文件夹里。

• freetype_font_path: "./msyh.ttf": 为了正确显示中文标签，您必须提供一个有效的中文字体文件路径。

7. 商业使用与法规

• 许可证: ShiTuApi采用商业许可证授权。首次运行时会自动进入功能齐全的试用模式。您可以通过测试程序界面获取您唯一的“机器码”并发送给我们，以获取正式许可证密钥。通过“激活”功能即可完成激活，享受无限制的正式服务。

• 数据隐私: ShiTuApi是一个纯本地API库。所有图像处理和识别都在您自己的设备上完成，不会将您的任何图像数据上传到云端或任何第三方服务器，完全保障您的数据主权、安全与隐私。

• 法律责任: 用户在使用本API时，必须遵守其所在国家和地区的所有相关法律法规，不得用于侵犯他人隐私、知识产权或任何非法用途。

8. 结语

ShiTuApi不仅仅是一个代码库，它是一套完整的、经过实战检验的AI视觉工程化解决方案。我们为您处理了所有棘手的底层问题——从模型部署、硬件加速到线程安全——让您可以专注于业务逻辑和产品创新。

立即访问我们的GitHub项目主页https://github.com/cfliyi/SHITU_C_API，下载最新的Release版本，体验前所未有的AI开发效率！

示例程序、模型及动态库文件链接: 

1、百度网盘 请输入提取码 提取码: 5574

2、Internxt Drive – Private & Secure Cloud Storage

3、示例程序、模型及动态库文件DLL.zip - pCloud

4、https://www.dropbox.com/scl/fi/os3e7da5g5iog66300pyf/DLL.zip?rlkey=60uyyyvicww3cfa3mzz79de0n&st=m3g4p5dv&dl=0

如有需要请联系：cfliyi@outlook.com