External/SnapOtter
1
0
Fork 0
mirror of https://github.com/snapotter-hq/SnapOtter.git synced 2026-08-03 07:46:42 +02:00
Code Issues Packages Projects Releases Wiki Activity
Files
6aacb4f3a937839db131eccd30d55fa04bbaf58a
SnapOtter/apps/docs/hi/api/ai.md
T
SnapOtterandGitHub 991c981529 fix: make OCR portable and reliable across AMD64 and ARM64 (#519) 
* fix: make OCR portable and reliable

* fix: harden OCR installation portability

* fix: pin OCR partials across downloads

* fix: make OCR execution reliably asynchronous

* fix: harden OCR portability and docs routes

* fix: preserve decoder and docs safeguards
2026-07-15 03:34:24 +08:00

48 KiB
Raw Blame History

description, i18n_output_hash, i18n_source_hash, i18n_provenance
description i18n_output_hash i18n_source_hash i18n_provenance
सभी लोकल ML टूल के साथ AI इंजन संदर्भ। बैकग्राउंड हटाना, अपस्केलिंग, OCR, फेस डिटेक्शन, फोटो रिस्टोरेशन, और बहुत कुछ। 2ed3bda381fa aa9a56cdddc7 human

AI इंजन संदर्भ

@snapotter/ai पैकेज स्थानीय ML संचालन के लिए मूल उपकरण और Python रनटाइम का समन्वय करता है। अधिकांश ML उपकरण तेज़ वार्म स्टार्ट के लिए लगातार Python sidecar का उपयोग करते हैं। OCR जानबूझकर अलग है: fast मूल Tesseract बाइनरी को आमंत्रित करता है, जबकि balanced और best एक समर्पित निरंतर JSONL dispatcher का उपयोग करते हैं जो सक्रिय अपरिवर्तनीय RapidOCR पीढ़ी के अंतर्गत पिन किया गया है। /data/ai/v3. प्रत्येक अनुरोध में एक generation lease होता है। अपग्रेड के दौरान, SnapOtter सक्रियण से पहले उम्मीदवार पर एक smoke test चलाता है, परमाणु रूप से नए dispatcher पर स्विच करता है, फिर garbage collection से पहले पुरानी पीढ़ी को हटा देता है।

NVIDIA CUDA का स्वत: पता लगाया जाता है और इसका समर्थन करने वाले रनटाइम द्वारा उपयोग किया जाता है। OCR प्रत्येक होस्ट पर CPU का उपयोग करता है, जिसमें NVIDIA GPU वाले सिस्टम भी शामिल हैं, इस टूल के लिए CUDA और ड्राइवर कपलिंग से बचा जाता है।

VA-API, Quick Sync, या OpenCL के माध्यम से Intel/AMD iGPU त्वरण आज AI इन्फेरेंस के लिए समर्थित नहीं है। किसी कंटेनर में /dev/dri को मैप करना इन Python साइडकार टूल को तेज़ नहीं करता जब तक कोई CUDA-सक्षम NVIDIA GPU उपलब्ध न हो।

चार मोडैलिटी (image, audio, video, document) में 19 Python साइडकार AI टूल, साथ ही वैकल्पिक AI क्षमताओं वाले 2 टूल। सभी मॉडल लोकल रूप से चलते हैं; प्रारंभिक मॉडल डाउनलोड के बाद इंटरनेट की आवश्यकता नहीं।

::: info कोरियाई OCR संगतता तेज़ OCR auto, en, de, es, fr, zh और ja का समर्थन करता है, लेकिन कोरियाई (ko) का नहीं। कोरियाई के लिए सटीक OCR पैक और balanced या best आवश्यक है। पैक आधिकारिक Linux amd64 और arm64 कंटेनरों पर चलता है; NVIDIA होस्ट पर भी OCR CPU पर ही चलता है। असमर्थित सिस्टम स्पष्ट संगतता त्रुटि लौटाते हैं और चुपचाप fast पर वापस नहीं जाते। कोरियाई के साथ fast या पुराने tesseract नाम को कतार में डालने से पहले FEATURE_INCOMPATIBLE और fast-korean-unsupported के साथ अस्वीकार किया जाता है। :::

आर्किटेक्चर

Node.js Tool Route
      |
      v
 @snapotter/ai bridge.ts
      | (stdin/stdout JSON + stderr progress events)
      v
 +-- Native Tesseract + Ghostscript (fast image/PDF OCR)
 |
 +-- Isolated OCR runtime (persistent JSONL dispatcher)
 |     `-- RapidOCR + ONNX Runtime CPU + pinned PP-OCR models
 |
 `-- Python dispatcher (persistent process, "ai" profile)
      |
      |-- remove_bg.py        (rembg / BiRefNet)
      |-- upscale.py          (RealESRGAN)
      |-- inpaint.py          (LaMa ONNX)
      |-- outpaint.py         (LaMa canvas expansion)
      |-- detect_faces.py     (MediaPipe)
      |-- face_landmarks.py   (MediaPipe landmarks)
      |-- enhance_faces.py    (GFPGAN / CodeFormer)
      |-- colorize.py         (DDColor)
      |-- noise_removal.py    (SCUNet / tiered denoising)
      |-- red_eye_removal.py  (landmark + color analysis)
      |-- restore.py          (scratch repair + enhancement + denoising)
      |-- transcribe.py       (faster-whisper speech-to-text)
      +-- install_feature.py  (on-demand bundle installer)

एक अलग "docs" डिस्पैचर प्रोफ़ाइल AI अनुमति सूची को दस्तावेज़-प्रसंस्करण स्क्रिप्ट (doc_pagecount, doc_health, doc_flatten, doc_redact, doc_text, doc_to_word, doc_metadata, doc_html_pdf) से बदल देती है और भारी ML आयातों को छोड़ देती है।

टाइमआउट: 300 s डिफ़ॉल्ट; OCR और BiRefNet बैकग्राउंड हटाने को 600 s मिलते हैं।

फ़ीचर बंडल

AI मॉडल साझा डिपेंडेंसी स्टैक द्वारा पैकेज किए जाते हैं, प्रति टूल एक आर्काइव नहीं। एक फ़ीचर बंडल कई टूल को सक्षम कर सकता है जब वे एक ही मॉडल परिवार, Python wheels, या नेटिव लाइब्रेरी का उपयोग करते हैं। इससे रिलीज़ Docker इमेज छोटी रहती है और एक ही बैकग्राउंड मैटिंग, फेस डिटेक्शन, OCR, रिस्टोरेशन, और स्पीच मॉडल की डुप्लिकेट प्रतियाँ संग्रहीत करने से बचा जाता है।

Docker इमेज एप्लिकेशन के साथ-साथ सामान्य रनटाइम भेजती है। बड़े मॉडल आर्काइव माँग पर स्थायी /data/ai वॉल्यूम में डाउनलोड किए जाते हैं, फिर हर उस टूल द्वारा पुनः उपयोग किए जाते हैं जिसे उनकी आवश्यकता होती है। यदि कोई बंडल पहले से इंस्टॉल है क्योंकि किसी अन्य टूल को उसकी आवश्यकता थी, तो एक नया आश्रित टूल सक्षम करना उस बंडल को दोबारा डाउनलोड नहीं करता।

अधिकांश एआई टूल को चलने से पहले एक या अधिक फीचर बंडलों की आवश्यकता होती है। व्यवस्थापक यूआई उन्हें POST /api/v1/admin/tools/:toolId/features/install के माध्यम से टूल द्वारा इंस्टॉल करता है, जो पूर्ण बंडल सूची को हल करता है, पहले से इंस्टॉल किए गए बंडलों को छोड़ देता है, और केवल लापता डाउनलोड को कतार में रखता है। उदाहरण के लिए, पासपोर्ट फोटो को ताजा इंस्टेंस कतारों background-removal और face-detection पर सक्षम करना; बैकग्राउंड रिमूवल के बाद इसे सक्षम करने से केवल face-detection कतारें पहले से ही स्थापित हैं। OCR अपवाद है क्योंकि fast को किसी पैक की आवश्यकता नहीं है; UI या POST /api/v1/admin/features/ocr/install के माध्यम से इसका वैकल्पिक सटीक रनटाइम स्थापित करें।

बंडल आकार साझा डिपेंडेंसी समूह इसका उपयोग करने वाले टूल
background-removal 4-5 GB rembg / BiRefNet बैकग्राउंड मैटिंग remove-background, passport-photo, transparency-fixer, background-replace, blur-background
face-detection 200-300 MB MediaPipe फेस डिटेक्शन और लैंडमार्क blur-faces, red-eye-removal, smart-crop
object-eraser-colorize 1-2 GB LaMa इनपेंटिंग/आउटपेंटिंग और DDColor erase-object, colorize, ai-canvas-expand
upscale-enhance 5-6 GB RealESRGAN, GFPGAN / CodeFormer, डीनॉइज़िंग upscale, enhance-faces, noise-removal
photo-restoration 4-5 GB स्क्रैच रिपेयर और रिस्टोरेशन पाइपलाइन restore-photo
ocr ~208-234 MiB डाउनलोड / ~409-488 MiB स्थापित वैकल्पिक RapidOCR 3.9.1, ONNX Runtime 1.20.1, और पिन किए गए PP-OCR मॉडल ओसीआर, ओसीआर-पीडीएफ (केवल balanced और best)
transcription ~600 MB faster-whisper स्पीच-टू-टेक्स्ट मॉडल transcribe-audio, auto-subtitles

क्रॉस-बंडल डिपेंडेंसी वाले टूल:

टूल आवश्यक बंडल क्यों
passport-photo background-removal, face-detection बैकग्राउंड हटाता है, फिर पासपोर्ट और ID फोटो नियमों के अनुसार क्रॉप को फ्रेम करने के लिए फेस लैंडमार्क का उपयोग करता है।
enhance-faces upscale-enhance, face-detection चयनित फेस क्षेत्रों पर GFPGAN या CodeFormer एन्हांसमेंट चलाने से पहले फेस का पता लगाता है।

एक उपकरण तभी उपलब्ध होता है जब OCR को छोड़कर उसके सभी आवश्यक बंडल इंस्टॉल हो जाते हैं: इसका अंतर्निहित fast टियर वैकल्पिक OCR पैक के बिना उपलब्ध रहता है। आंशिक इंस्टॉल मान्य हैं और इन्हें क्रमिक रूप से प्रबंधित किया जाता है: इंस्टॉल किए गए बंडलों का पुन: उपयोग किया जाता है, लापता बंडलों को डाउनलोड के रूप में दिखाया जाता है, और कतारबद्ध इंस्टॉल एक समय में एक चलते हैं इसलिए साझा Python वातावरण को समवर्ती रूप से संशोधित नहीं किया जाता है।

सटीक OCR रनटाइम इंस्टॉलेशन

सटीक OCR पैक आधिकारिक Linux amd64 या Linux arm64 कंटेनर के लिए एक प्लेटफ़ॉर्म-विशिष्ट रनटाइम है। amd64 बिल्ड Python 3.12 का उपयोग करता है; arm64 बिल्ड Python 3.11 का उपयोग करता है। दोनों बिल्ड RapidOCR को ONNX Runtime के CPUExecutionProvider के माध्यम से चलाते हैं, तो वही पैक केवल CPU और NVIDIA Docker होस्ट पर काम करता है। सटीक रनटाइम के लिए कम से कम 4 GiB प्रभावी मेमोरी की आवश्यकता होती है: कॉन्फ़िगर कंटेनर cgroup सीमा, अन्यथा होस्ट मेमोरी। उस हस्ताक्षरित अनुकूलता न्यूनतम से नीचे की प्रणाली को डाउनलोड से पहले अस्वीकार कर दिया जाता है। यह आवश्यकता बिल्ट-इन फास्ट OCR पर लागू नहीं होती है। Bare-metal बिल्ड को अस्वीकार कर दिया गया है क्योंकि उनके libc और Python ABI का सुरक्षित रूप से अनुमान नहीं लगाया जा सकता है; जब होस्ट Tesseract और Ghostscript प्रदान करता है तो तेज़ OCR उपलब्ध रहता है।

आर्किटेक्चर के आधार पर वैकल्पिक आर्टिफैक्ट लगभग 208-234 MiB संपीड़ित और 409-488 MiB निकाला गया है। हस्ताक्षरित सूचकांक इंस्टॉलर द्वारा लागू सटीक संपीड़ित और निकाले गए बाइट गिनती को बांधता है। अंतर्निहित Tesseract आधिकारिक छवि में लगभग 25 MiB जोड़ता है और /data/ai में किसी फ़ाइल की आवश्यकता नहीं है।

ऑनलाइन इंस्टॉलेशन एक हस्ताक्षरित रिलीज़ इंडेक्स और वर्तमान प्लेटफ़ॉर्म के लिए सटीक सामग्री-संबोधित आर्टिफैक्ट लाता है। SnapOtter नई पीढ़ी को परमाणु रूप से सक्रिय करने से पहले Ed25519 इंडेक्स हस्ताक्षर, आर्टिफैक्ट आकार, SHA-256 डाइजेस्ट, मॉडल डाइजेस्ट, पथ, फ़ाइल मोड और चरणबद्ध smoke test को सत्यापित करता है। एक असफल इंस्टालेशन पूर्व स्वस्थ पीढ़ी को सक्रिय छोड़ देता है।

एयर-गैप्ड इंस्टॉलेशन के लिए, index और archive नामक मल्टीपार्ट फ़ील्ड का उपयोग करके रिलीज़ के ocr-runtime-index.json और मिलान वाले OCR रनटाइम संग्रह को POST /api/v1/admin/features/import पर अपलोड करें। ऑफ़लाइन आयात ऑनलाइन इंस्टॉलेशन के समान ही हस्ताक्षर, हैश, निष्कर्षण, संगतता और धुआं-परीक्षण जांच लागू करता है; विश्वसनीय हस्ताक्षरित अनुक्रमणिका के बिना एक संग्रह अस्वीकार कर दिया जाता है।

बैकग्राउंड हटाना

टूल रूट: remove-background
मॉडल: BiRefNet (डिफ़ॉल्ट) या U2-Net वेरिएंट के साथ rembg

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
model string - मॉडल वेरिएंट (वैकल्पिक ओवरराइड)
backgroundType string "transparent" इनमें से एक: transparent, color, gradient, blur, image
backgroundColor string - ठोस बैकग्राउंड के लिए Hex रंग
gradientColor1 string - पहला ग्रेडिएंट रंग
gradientColor2 string - दूसरा ग्रेडिएंट रंग
gradientAngle number - डिग्री में ग्रेडिएंट कोण
blurEnabled boolean - बैकग्राउंड ब्लर प्रभाव सक्षम करें
blurIntensity number (0-100) - ब्लर तीव्रता
shadowEnabled boolean - विषय पर ड्रॉप शैडो सक्षम करें
shadowOpacity number (0-100) - शैडो अपारदर्शिता
outputFormat string - आउटपुट प्रारूप: png, webp, या avif
edgeRefine integer (0-3) - एज रिफाइनमेंट स्तर
decontaminate boolean - किनारों से रंग रिसाव हटाएँ

बैकग्राउंड बदलना

टूल रूट: background-replace
मॉडल: rembg / BiRefNet (remove-background के साथ साझा)

बैकग्राउंड हटाता है और उसे ठोस रंग या ग्रेडिएंट से बदल देता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
backgroundType "color" | "gradient" "color" बैकग्राउंड मोड
color string "#ffffff" बैकग्राउंड hex रंग (जब backgroundType color हो)
gradientColor1 string - पहला ग्रेडिएंट hex रंग
gradientColor2 string - दूसरा ग्रेडिएंट hex रंग
gradientAngle integer (0-360) 180 डिग्री में ग्रेडिएंट कोण
feather integer (0-20) 0 एज फेदरिंग त्रिज्या
format "png" | "webp" "png" आउटपुट प्रारूप

बैकग्राउंड ब्लर

टूल रूट: blur-background
मॉडल: rembg / BiRefNet (remove-background के साथ साझा)

विषय को शार्प रखते हुए बैकग्राउंड को ब्लर करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
intensity integer (1-100) 50 ब्लर तीव्रता
feather integer (0-20) 0 एज फेदरिंग त्रिज्या
format "png" | "webp" "png" आउटपुट प्रारूप

इमेज अपस्केलिंग

टूल रूट: upscale
मॉडल: RealESRGAN (अनुपलब्ध होने पर Lanczos फ़ॉलबैक के साथ)

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
scale number 2 अपस्केल कारक
model string "auto" मॉडल वेरिएंट
faceEnhance boolean false GFPGAN फेस एन्हांसमेंट पास लागू करें
denoise number 0 डीनॉइज़िंग शक्ति
format string "auto" आउटपुट प्रारूप ओवरराइड
quality number 95 आउटपुट गुणवत्ता (1-100)

OCR / टेक्स्ट निष्कर्षण

टूल रूट: ocr
मॉडल: Tesseract (fast); RapidOCR PP-OCRv6 छोटे मॉडल (balanced) के साथ; कैलिब्रेटेड वैरिएंट स्कोरिंग के साथ PP-OCRv6 मध्यम मॉडल (best)

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
quality "fast" | "balanced" | "best" गतिशील जब quality और engine नहीं दिए जाते, SnapOtter इस क्रम में सर्वोत्तम उपलब्ध टियर चुनता है: best, balanced, fast। कोरियाई के लिए fast कभी नहीं चुना जाता; best, फिर balanced उपयोग होता है, अन्यथा सटीक रनटाइम का इंस्टॉलेशन या संगतता त्रुटि लौटती है।
language string "auto" भाषा: auto, en, de, fr, es, zh, ja, ko
enhance बूलियन स्तर पर निर्भर स्थानीय कंट्रास्ट में सुधार करें. फास्ट इसे सीधे लागू करता है; सटीक स्तर केवल तभी भिन्न होते हैं जब कैलिब्रेटेड स्कोरिंग OCR में सुधार करती है। सर्वश्रेष्ठ के लिए डिफ़ॉल्ट चालू
engine डोरी - अस्वीकृत अनुकूलता उपनाम. tesseract को fast और पुराने paddleocr मान को balanced में मैप करें; यह PaddlePaddle लोड नहीं करता है

निकाले गए पाठ और उद्गम मेटाडेटा को लौटाता है: इंजन, अनुरोधित और वास्तविक गुणवत्ता, उपकरण, प्रदाता, गिरावट की स्थिति, चेतावनियां, और लागू होने पर सटीक-रनटाइम/मॉडल संस्करण। स्पष्ट गुणवत्ता अनुरोध कभी भी दूसरे स्तर पर नहीं आते। यदि balanced या best अनुपलब्ध है, तो API चुपचाप fast चलाने के बजाय FEATURE_NOT_INSTALLED या FEATURE_INCOMPATIBLE लौटाता है।

PDF OCR

टूल रूट: ocr-pdf
मॉडल: इमेज OCR जैसी ही स्तर प्रणाली

AI-संचालित OCR का उपयोग करके स्कैन किए गए PDF दस्तावेज़ों से पृष्ठ दर पृष्ठ टेक्स्ट निकालता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
quality "fast" | "balanced" | "best" गतिशील जब quality और engine नहीं दिए जाते, SnapOtter इस क्रम में सर्वोत्तम उपलब्ध टियर चुनता है: best, balanced, fast। कोरियाई के लिए fast कभी नहीं चुना जाता; best, फिर balanced उपयोग होता है, अन्यथा सटीक रनटाइम का इंस्टॉलेशन या संगतता त्रुटि लौटती है।
language string "auto" भाषा: auto, en, de, fr, es, zh, ja, ko
pages string "all" पृष्ठ चयन: "all", "1-3", "1,3,5"
enhance बूलियन स्तर पर निर्भर स्थानीय कंट्रास्ट में सुधार करें. फास्ट इसे सीधे लागू करता है; सटीक स्तर केवल तभी भिन्न होते हैं जब कैलिब्रेटेड स्कोरिंग OCR में सुधार करती है। सर्वश्रेष्ठ के लिए डिफ़ॉल्ट चालू
engine डोरी - अस्वीकृत अनुकूलता उपनाम. tesseract को fast और पुराने paddleocr मान को balanced में मैप करें; यह PaddlePaddle लोड नहीं करता है

वही नो-डाउनग्रेड नियम PDF OCR पर लागू होता है। PDF पृष्ठों को पहचान से पहले रैस्टराइज़ किया जाता है, और एक अनुरोध अधिकतम 50 पृष्ठों का चयन कर सकता है।

फेस / PII ब्लर

टूल रूट: blur-faces
मॉडल: MediaPipe फेस डिटेक्शन

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
blurRadius number (1-100) 30 गॉसियन ब्लर त्रिज्या
sensitivity number (0-1) 0.5 डिटेक्शन कॉन्फ़िडेंस थ्रेशोल्ड

फेस एन्हांसमेंट

टूल रूट: enhance-faces
मॉडल: GFPGAN, CodeFormer

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
model "auto" | "gfpgan" | "codeformer" "auto" एन्हांसमेंट मॉडल
strength number (0-1) 0.8 एन्हांसमेंट शक्ति
sensitivity number (0-1) 0.5 फेस डिटेक्शन थ्रेशोल्ड
onlyCenterFace boolean false केवल सबसे केंद्रीय फेस को एन्हांस करें

AI कलराइज़ेशन

टूल रूट: colorize
मॉडल: DDColor (OpenCV DNN फ़ॉलबैक के साथ)

ब्लैक-एंड-व्हाइट या ग्रेस्केल फोटो को पूर्ण रंग में बदलता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
intensity number (0-1) 1.0 रंग संतृप्ति शक्ति
model "auto" | "ddcolor" | "opencv" "auto" मॉडल वेरिएंट

नॉइज़ हटाना

टूल रूट: noise-removal
मॉडल: SCUNet (स्तरीय डीनॉइज़िंग पाइपलाइन)

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
tier "quick" | "balanced" | "quality" | "maximum" "balanced" प्रसंस्करण स्तर
strength number (0-100) 50 डीनॉइज़िंग शक्ति
detailPreservation number (0-100) 50 कितना विवरण संरक्षित करना है; अधिक होने पर अधिक टेक्सचर बना रहता है
colorNoise number (0-100) 30 कलर नॉइज़ कमी शक्ति
format string "original" आउटपुट प्रारूप: original, png, jpeg, webp, avif, jxl
quality number (1-100) 90 आउटपुट एन्कोडिंग गुणवत्ता

रेड आई हटाना

टूल रूट: red-eye-removal

फेस लैंडमार्क का पता लगाता है, आँख क्षेत्रों को खोजता है, और रेड-चैनल ओवरसैचुरेशन को ठीक करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
sensitivity number (0-100) 50 रेड पिक्सेल डिटेक्शन थ्रेशोल्ड
strength number (0-100) 70 सुधार शक्ति
format string - आउटपुट प्रारूप ओवरराइड (वैकल्पिक)
quality number (1-100) 90 आउटपुट गुणवत्ता

फोटो रिस्टोरेशन

टूल रूट: restore-photo

पुरानी या क्षतिग्रस्त फोटो के लिए बहु-चरण पाइपलाइन: स्क्रैच/फटने का पता लगाना और मरम्मत, फेस एन्हांसमेंट, डीनॉइज़िंग, और वैकल्पिक कलराइज़ेशन।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
scratchRemoval boolean true स्क्रैच, फटने का पता लगाएँ और मरम्मत करें
faceEnhancement boolean true फेस एन्हांसमेंट पास लागू करें
fidelity number (0-1) 0.7 फेस एन्हांसमेंट शक्ति (अधिक = अधिक संरक्षी)
denoise boolean true डीनॉइज़िंग पास लागू करें
denoiseStrength number (0-100) 25 डीनॉइज़िंग शक्ति
colorize boolean false रिस्टोरेशन के बाद कलराइज़ करें
colorizeStrength number (0-100) 85 कलराइज़ेशन तीव्रता

पासपोर्ट फोटो

टूल रूट: passport-photo
मॉडल: MediaPipe फेस लैंडमार्क + BiRefNet बैकग्राउंड हटाना

दो-चरण वर्कफ़्लो: विश्लेषण (फेस का पता लगाना + बैकग्राउंड हटाना) फिर जनरेट (क्रॉप, आकार बदलना, टाइल)। 6 क्षेत्रों में 37+ देशों का समर्थन करता है।

चरण 1: विश्लेषण

POST /api/v1/tools/image/passport-photo/analyze

एक इमेज फ़ाइल (multipart) स्वीकार करता है। फेस लैंडमार्क डेटा, एक base64 प्रीव्यू, और इमेज आयाम लौटाता है।

चरण 2: जनरेट

POST /api/v1/tools/image/passport-photo/generate

चरण 1 के परिणामों के साथ-साथ जनरेशन सेटिंग्स वाला एक JSON बॉडी स्वीकार करता है:

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
jobId string (आवश्यक) चरण 1 से Job ID
filename string (आवश्यक) चरण 1 से मूल फ़ाइल नाम
countryCode string (आवश्यक) ISO देश कोड (जैसे, US, GB, IN)
documentType string "passport" दस्तावेज़ प्रकार
bgColor string "#FFFFFF" बैकग्राउंड रंग hex
printLayout string "none" प्रिंट लेआउट: none, 4x6, a4, letter
maxFileSizeKb number 0 KB में अधिकतम फ़ाइल आकार (0 = कोई सीमा नहीं)
dpi number (72-1200) 300 आउटपुट DPI
customWidthMm number - mm में कस्टम चौड़ाई (देश स्पेक को ओवरराइड करती है)
customHeightMm number - mm में कस्टम ऊँचाई (देश स्पेक को ओवरराइड करती है)
zoom number (0.5-3) 1 ज़ूम कारक
adjustX number 0 क्षैतिज स्थिति समायोजन
adjustY number 0 ऊर्ध्वाधर स्थिति समायोजन
landmarks object (आवश्यक) चरण 1 से लैंडमार्क
imageWidth number (आवश्यक) चरण 1 से इमेज चौड़ाई
imageHeight number (आवश्यक) चरण 1 से इमेज ऊँचाई

ऑब्जेक्ट मिटाना (इनपेंटिंग)

टूल रूट: erase-object
मॉडल: ONNX Runtime के माध्यम से LaMa

मास्क को एक दूसरे फ़ाइल भाग (fieldname mask) के रूप में भेजा जाता है, base64 के रूप में नहीं। मास्क में सफेद पिक्सेल मिटाने वाले क्षेत्रों को इंगित करते हैं। format और quality सेटिंग्स शीर्ष-स्तरीय फ़ॉर्म फ़ील्ड के रूप में भेजी जाती हैं।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
file file (आवश्यक) स्रोत इमेज (multipart)
mask file (आवश्यक) मास्क इमेज (multipart, fieldname mask, सफेद = मिटाएँ)
format string "auto" आउटपुट प्रारूप: auto, png, jpg, jpeg, webp, tiff, gif, avif, heic, heif, jxl
quality integer (1-100) 95 आउटपुट गुणवत्ता

NVIDIA GPU उपलब्ध होने पर CUDA-त्वरित।

AI कैनवास विस्तार

टूल रूट: ai-canvas-expand
मॉडल: LaMa-आधारित आउटपेंटिंग

किसी इमेज के कैनवास को किसी भी दिशा में विस्तारित करता है और नए क्षेत्रों को AI-जनित सामग्री से भरता है जो मौजूदा इमेज से मेल खाती है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
extendTop integer 0 शीर्ष पर विस्तारित करने के लिए पिक्सेल
extendRight integer 0 दाईं ओर विस्तारित करने के लिए पिक्सेल
extendBottom integer 0 नीचे विस्तारित करने के लिए पिक्सेल
extendLeft integer 0 बाईं ओर विस्तारित करने के लिए पिक्सेल
tier "fast" | "balanced" | "high" "balanced" गुणवत्ता स्तर
format string "auto" आउटपुट प्रारूप: auto, png, jpg, jpeg, webp, tiff, gif, avif, heic, heif, jxl
quality integer (1-100) 95 आउटपुट गुणवत्ता

कम से कम एक विस्तार दिशा 0 से अधिक होनी चाहिए।

स्मार्ट क्रॉप

टूल रूट: smart-crop
मॉडल: MediaPipe फेस डिटेक्शन (केवल फेस मोड)

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
mode string "subject" क्रॉप रणनीति: subject, face, trim
strategy "attention" | "entropy" "attention" विषय मोड के लिए रणनीति
width integer - आउटपुट चौड़ाई
height integer - आउटपुट ऊँचाई
padding integer (0-50) 0 विषय के चारों ओर पैडिंग प्रतिशत
facePreset string "head-shoulders" mode=face होने पर प्रीसेट फ्रेमिंग
sensitivity number (0-1) 0.5 फेस डिटेक्शन थ्रेशोल्ड
threshold integer (0-255) 30 बैकग्राउंड डिटेक्शन थ्रेशोल्ड (ट्रिम मोड)
padToSquare boolean false ट्रिम किए गए परिणाम को वर्ग में पैड करें
padColor string "#ffffff" वर्ग पैडिंग के लिए बैकग्राउंड रंग
targetSize integer - पैड किए गए आउटपुट के लिए लक्ष्य आकार (पिक्सेल)
quality integer (1-100) - आउटपुट गुणवत्ता

लेगेसी mode मान attention और content स्वीकार किए जाते हैं और क्रमशः subject और trim पर मैप किए जाते हैं।

फेस प्रीसेट:

प्रीसेट किसके लिए सर्वश्रेष्ठ
closeup हेडशॉट
head-shoulders प्रोफ़ाइल फोटो
upper-body LinkedIn / औपचारिक
half-body पूरा ऊपरी शरीर

ऑडियो ट्रांसक्राइब

टूल रूट: transcribe-audio
मॉडल: faster-whisper

स्पीच को टेक्स्ट में बदलता है। सादा टेक्स्ट, SRT, और VTT आउटपुट प्रारूपों का समर्थन करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
language string "auto" भाषा: auto, en, de, fr, es, zh, ja, ko, id, th, vi
outputFormat "txt" | "srt" | "vtt" "txt" आउटपुट प्रारूप

ऑटो सबटाइटल

टूल रूट: auto-subtitles
मॉडल: faster-whisper (वीडियो से ऑडियो निकालता है, फिर ट्रांसक्राइब करता है)

किसी वीडियो के ऑडियो ट्रैक से सबटाइटल फ़ाइलें जनरेट करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
language string "auto" भाषा: auto, en, de, fr, es, zh, ja, ko, id, th, vi
format "srt" | "vtt" "srt" आउटपुट सबटाइटल प्रारूप

PNG ट्रांसपेरेंसी फिक्सर

टूल रूट: transparency-fixer
मॉडल: BiRefNet HR-मैटिंग (2048x2048 रिज़ॉल्यूशन)

"नकली पारदर्शी" PNG को ठीक करता है जहाँ बैकग्राउंड हटा दिया गया था लेकिन फ्रिंजिंग, हेलो, या अर्ध-पारदर्शी आर्टिफैक्ट पीछे छूट गए। साफ अल्फा चैनल उत्पन्न करने के लिए BiRefNet के उच्च-रिज़ॉल्यूशन मैटिंग मॉडल का उपयोग करता है, फिर किनारों के साथ रंग संदूषण हटाने के लिए कॉन्फ़िगर करने योग्य डिफ्रिंज प्रसंस्करण लागू करता है।

OOM फ़ॉलबैक शृंखला: यदि BiRefNet HR-मैटिंग उपलब्ध मेमोरी से अधिक हो जाती है, तो टूल स्वतः birefnet-general पर, फिर u2net पर फ़ॉलबैक करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
defringe number (0-100) 30 रंग संदूषण हटाने के लिए एज डिफ्रिंज शक्ति
outputFormat "png" | "webp" "png" आउटपुट इमेज प्रारूप
removeWatermark boolean false वॉटरमार्क हटाने की पूर्व-प्रसंस्करण लागू करें (median filter) 
curl -X POST http://localhost:1349/api/v1/tools/image/transparency-fixer \
  -H "Authorization: Bearer <token>" \
  -F "file=@fake-transparent.png" \
  -F 'settings={"defringe":30,"outputFormat":"png"}'

वैकल्पिक AI क्षमताओं वाले टूल

निम्नलिखित टूल Python साइडकार टूल नहीं हैं लेकिन कुछ विकल्प सक्षम होने पर AI फ़ीचर का उपयोग करते हैं।

इमेज एन्हांसमेंट

टूल रूट: image-enhancement
इंजन: विश्लेषण-आधारित (Sharp हिस्टोग्राम और सांख्यिकी)

इमेज का विश्लेषण करता है और एक्सपोज़र, कंट्रास्ट, व्हाइट बैलेंस, सैचुरेशन, शार्पनेस, और नॉइज़ के लिए स्वचालित सुधार लागू करता है। दृश्य-विशिष्ट मोड का समर्थन करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
mode "auto" | "portrait" | "landscape" | "low-light" | "food" | "document" "auto" सुधारों को ट्यून करने के लिए दृश्य मोड
intensity number (0-100) 50 कुल सुधार शक्ति
corrections.exposure boolean true एक्सपोज़र सुधार लागू करें
corrections.contrast boolean true कंट्रास्ट सुधार लागू करें
corrections.whiteBalance boolean true व्हाइट बैलेंस सुधार लागू करें
corrections.saturation boolean true सैचुरेशन सुधार लागू करें
corrections.sharpness boolean true शार्पनेस सुधार लागू करें
corrections.denoise boolean true डीनॉइज़िंग लागू करें
deepEnhance boolean false SCUNet के माध्यम से AI नॉइज़ हटाना सक्षम करें (upscale-enhance बंडल की आवश्यकता है)

एक अतिरिक्त विश्लेषण एंडपॉइंट POST /api/v1/tools/image/image-enhancement/analyze पर उपलब्ध है जो पहचाने गए सुधार लागू किए बिना लौटाता है।

सामग्री-जागरूक आकार बदलना (सीम कार्विंग)

टूल रूट: content-aware-resize
इंजन: Go caire बाइनरी (Python नहीं; कोई GPU लाभ नहीं)

कम-ऊर्जा सीम हटाकर इमेज का बुद्धिमानी से आकार बदलता है, महत्वपूर्ण सामग्री को संरक्षित करता है।

पैरामीटर प्रकार डिफ़ॉल्ट विवरण
width number - लक्ष्य चौड़ाई
height number - लक्ष्य ऊँचाई
protectFaces boolean false पहचाने गए फेस क्षेत्रों की रक्षा करें (face-detection बंडल की आवश्यकता है)
blurRadius number (0-20) 4 ऊर्जा गणना के लिए पूर्व-ब्लर
sobelThreshold number (1-20) 2 एज संवेदनशीलता थ्रेशोल्ड
square boolean false वर्गाकार आउटपुट बाध्य करें
Reference in New Issue View Git Blame Copy Permalink