SnapOtterandGitHub
991c981529
* 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
50 KiB
description, i18n_output_hash, i18n_source_hash, i18n_provenance
| description | i18n_output_hash | i18n_source_hash | i18n_provenance |
|---|---|---|---|
| เอกสารอ้างอิงเอนจิน AI พร้อมเครื่องมือ ML ในเครื่องทั้งหมด การลบพื้นหลัง การขยายภาพ OCR การตรวจจับใบหน้า การกู้คืนภาพถ่าย และอื่น ๆ | ebf48f7a0230 | aa9a56cdddc7 | human |
เอกสารอ้างอิงเอนจิน AI
แพ็คเกจ @snapotter/ai ประสานเครื่องมือดั้งเดิมและรันไทม์ Python สำหรับการดำเนินการ ML ในเครื่อง เครื่องมือ ML ส่วนใหญ่ใช้ Python sidecar แบบถาวรเพื่อการวอร์มสตาร์ทที่รวดเร็ว OCR ถูกแยกออกจากกันโดยเจตนา: fast เรียกใช้ไบนารี Tesseract ดั้งเดิม ในขณะที่ balanced และ best ใช้ JSONL dispatcher แบบถาวรที่ปักหมุดไว้กับรุ่น RapidOCR ที่ไม่เปลี่ยนรูปที่ใช้งานอยู่ภายใต้ /data/ai/v3 แต่ละคำขอจะมี generation lease ในระหว่างการอัพเกรด SnapOtter รัน smoke test บนตัวเลือกก่อนเปิดใช้งาน โดยจะสลับไปที่ dispatcher ใหม่แบบอะตอมมิก จากนั้นจึงระบายรุ่นเก่าก่อน garbage collection
NVIDIA CUDA ถูกตรวจพบโดยอัตโนมัติและใช้งานโดยรันไทม์ที่รองรับ OCR ใช้ CPU บนทุกโฮสต์ รวมถึงระบบที่มี GPU NVIDIA โดยหลีกเลี่ยง CUDA และการเชื่อมต่อไดรเวอร์สำหรับเครื่องมือนี้
การเร่งความเร็ว iGPU ของ Intel/AMD ผ่าน VA-API, Quick Sync หรือ OpenCL ยังไม่รองรับสำหรับการอนุมาน AI ในปัจจุบัน การแมป /dev/dri เข้าไปในคอนเทนเนอร์ไม่ได้เร่งความเร็วเครื่องมือ Python sidecar เหล่านี้ เว้นแต่จะมี NVIDIA GPU ที่รองรับ CUDA พร้อมใช้งาน
เครื่องมือ AI แบบ Python sidecar จำนวน 19 รายการครอบคลุมสี่โมดาลิตี (ภาพ เสียง วิดีโอ เอกสาร) พร้อมด้วยเครื่องมืออีก 2 รายการที่มีความสามารถ AI เสริม โมเดลทั้งหมดทำงานในเครื่อง ไม่ต้องใช้อินเทอร์เน็ตหลังจากดาวน์โหลดโมเดลครั้งแรก
::: info ความเข้ากันได้ของ OCR ภาษาเกาหลี
OCR แบบเร็วรองรับ auto, en, de, es, fr, zh และ ja แต่ไม่รองรับภาษาเกาหลี (ko) ภาษาเกาหลีต้องใช้แพ็ก OCR แบบแม่นยำและ balanced หรือ best แพ็กทำงานบนคอนเทนเนอร์ Linux amd64 และ arm64 อย่างเป็นทางการ รวมถึงโฮสต์ NVIDIA ซึ่ง OCR ยังคงทำงานบน CPU ระบบที่ไม่รองรับจะส่งคืนข้อผิดพลาดความเข้ากันได้อย่างชัดเจนและไม่ย้อนกลับไปใช้ fast โดยเงียบ ๆ ภาษาเกาหลีร่วมกับ fast หรือนามแฝงเดิม tesseract จะถูกปฏิเสธก่อนเข้าคิวด้วย FEATURE_INCOMPATIBLE และ fast-korean-unsupported
:::
สถาปัตยกรรม
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)
โปรไฟล์ dispatcher แบบ "docs" ที่แยกต่างหากจะแทนที่รายการอนุญาต AI ด้วยสคริปต์ประมวลผลเอกสาร (doc_pagecount, doc_health, doc_flatten, doc_redact, doc_text, doc_to_word, doc_metadata, doc_html_pdf) และข้ามการอิมพอร์ต ML ขนาดใหญ่
เวลาหมดเวลา: ค่าเริ่มต้น 300 วินาที OCR และการลบพื้นหลัง BiRefNet ได้ 600 วินาที
ชุดฟีเจอร์ (Feature Bundles)
โมเดล AI ถูกจัดแพ็กเกจตามชุด dependency ที่ใช้ร่วมกัน ไม่ใช่หนึ่งไฟล์เก็บถาวรต่อหนึ่งเครื่องมือ ชุดฟีเจอร์หนึ่งชุดสามารถเปิดใช้งานเครื่องมือได้หลายรายการเมื่อเครื่องมือเหล่านั้นใช้ตระกูลโมเดล, Python wheel หรือไลบรารีเนทีฟเดียวกัน วิธีนี้ทำให้ Docker image สำหรับรีลีสมีขนาดเล็กลงและหลีกเลี่ยงการเก็บสำเนาซ้ำของโมเดล background matting, การตรวจจับใบหน้า, OCR, การกู้คืน และโมเดลเสียงพูดเดียวกัน
Docker image มาพร้อมกับแอปพลิเคชันบวกกับรันไทม์ทั่วไป ไฟล์เก็บถาวรของโมเดลขนาดใหญ่จะถูกดาวน์โหลดตามความต้องการลงในโวลุ่ม /data/ai แบบถาวร แล้วนำกลับมาใช้ซ้ำโดยทุกเครื่องมือที่ต้องการ หากติดตั้งชุดฟีเจอร์แล้วเนื่องจากมีเครื่องมืออื่นต้องการใช้ การเปิดใช้งานเครื่องมือใหม่ที่ต้องพึ่งพาชุดนั้นจะไม่ดาวน์โหลดชุดฟีเจอร์นั้นซ้ำอีก
เครื่องมือ AI ส่วนใหญ่จำเป็นต้องมีชุดคุณลักษณะตั้งแต่หนึ่งชุดขึ้นไปก่อนจึงจะสามารถทำงานได้ UI ผู้ดูแลระบบจะติดตั้งโดยใช้เครื่องมือผ่าน POST /api/v1/admin/tools/:toolId/features/install ซึ่งจะแก้ไขรายการบันเดิลทั้งหมด ข้ามบันเดิลที่ติดตั้งไว้แล้ว และจัดคิวเฉพาะการดาวน์โหลดที่ขาดหายไป ตัวอย่างเช่น การเปิดใช้งาน Passport Photo บนอินสแตนซ์คิวใหม่ background-removal และ face-detection เปิดใช้งานได้หลังจากติดตั้งการลบพื้นหลังแล้วเท่านั้น คิว face-detection OCR เป็นข้อยกเว้น เนื่องจาก fast ไม่ต้องการแพ็ก ติดตั้งรันไทม์ที่แม่นยำซึ่งเป็นทางเลือกผ่าน UI หรือ POST /api/v1/admin/features/ocr/install
| ชุดฟีเจอร์ | ขนาด | กลุ่ม dependency ที่ใช้ร่วมกัน | เครื่องมือที่ใช้ |
|---|---|---|---|
background-removal |
4-5 GB | rembg / BiRefNet background matting | remove-background, passport-photo, transparency-fixer, background-replace, blur-background |
face-detection |
200-300 MB | การตรวจจับใบหน้าและจุดสังเกต MediaPipe | blur-faces, red-eye-removal, smart-crop |
object-eraser-colorize |
1-2 GB | LaMa inpainting/outpainting และ DDColor | erase-object, colorize, ai-canvas-expand |
upscale-enhance |
5-6 GB | RealESRGAN, GFPGAN / CodeFormer, denoising | upscale, enhance-faces, noise-removal |
photo-restoration |
4-5 GB | ไปป์ไลน์ซ่อมรอยขีดข่วนและกู้คืน | restore-photo |
ocr |
~208-234 ดาวน์โหลด MiB / ~409-488 ติดตั้ง MiB แล้ว | อุปกรณ์เสริม RapidOCR 3.9.1, ONNX Runtime 1.20.1 และรุ่น PP-OCR ที่ปักหมุดไว้ | ocr, ocr-pdf (balanced และ best เท่านั้น) |
transcription |
~600 MB | โมเดลแปลงเสียงเป็นข้อความ faster-whisper | transcribe-audio, auto-subtitles |
เครื่องมือที่มี dependency ข้ามชุดฟีเจอร์:
| เครื่องมือ | ชุดฟีเจอร์ที่ต้องใช้ | เหตุผล |
|---|---|---|
passport-photo |
background-removal, face-detection |
ลบพื้นหลัง แล้วใช้จุดสังเกตใบหน้าจัดกรอบการครอปให้เป็นไปตามกฎของรูปหนังสือเดินทางและรูปบัตรประจำตัว |
enhance-faces |
upscale-enhance, face-detection |
ตรวจจับใบหน้าก่อนรันการปรับปรุงด้วย GFPGAN หรือ CodeFormer บนบริเวณใบหน้าที่เลือก |
เครื่องมือจะใช้งานได้เมื่อมีการติดตั้งบันเดิลที่จำเป็นทั้งหมดแล้ว ยกเว้น OCR: ระดับ fast ในตัวยังคงใช้งานได้โดยไม่มีแพ็กเสริม OCR การติดตั้งบางส่วนนั้นถูกต้องและได้รับการจัดการทีละส่วน: บันเดิลที่ติดตั้งจะถูกนำมาใช้ซ้ำ บันเดิลที่ขาดหายไปจะแสดงเป็นการดาวน์โหลด และการติดตั้งที่เข้าคิวจะทำงานทีละรายการ ดังนั้นสภาพแวดล้อม Python ที่ใช้ร่วมกันจะไม่ถูกแก้ไขพร้อมกัน
การติดตั้งรันไทม์ OCR ที่แม่นยำ
แพ็ก OCR ที่แม่นยำคือรันไทม์เฉพาะแพลตฟอร์มสำหรับคอนเทนเนอร์ Linux amd64 หรือ Linux arm64 อย่างเป็นทางการ รุ่น amd64 ใช้ Python 3.12; รุ่น arm64 ใช้ Python 3.11 ทั้งสองบิลด์รัน RapidOCR ผ่าน ONNX Runtime's CPUExecutionProvider ดังนั้นแพ็กเดียวกันจึงใช้ได้กับโฮสต์ CPU เท่านั้นและ NVIDIA Docker รันไทม์ที่ถูกต้องต้องใช้หน่วยความจำที่มีประสิทธิภาพอย่างน้อย 4 GiB: ขีดจำกัดคอนเทนเนอร์ cgroup ที่กำหนดค่าไว้ ไม่เช่นนั้นหน่วยความจำโฮสต์ ระบบที่ต่ำกว่าความเข้ากันได้ขั้นต่ำที่ลงนามไว้จะถูกปฏิเสธก่อนที่จะดาวน์โหลด ข้อกำหนดนี้ใช้ไม่ได้กับ Fast OCR ในตัว การสร้าง Bare-metal ถูกปฏิเสธเนื่องจาก libc และ Python ABI ไม่สามารถอนุมานได้อย่างปลอดภัย Fast OCR ยังคงใช้งานได้เมื่อโฮสต์จัดเตรียม Tesseract และ Ghostscript
อาร์ติแฟกต์ทางเลือกมีการบีบอัดประมาณ 208-234 MiB และแตก 409-488 MiB ขึ้นอยู่กับสถาปัตยกรรม ดัชนีที่เซ็นชื่อจะผูกจำนวนไบต์ที่ถูกบีบอัดและแยกออกมาที่แน่นอนซึ่งบังคับใช้โดยโปรแกรมติดตั้ง Tesseract ในตัวเพิ่ม MiB ประมาณ 25 ภาพให้กับอิมเมจอย่างเป็นทางการ และไม่ต้องใช้ไฟล์ใน /data/ai
การติดตั้งแบบออนไลน์จะดึงดัชนีการเผยแพร่ที่ลงนามและส่วนที่ระบุถึงเนื้อหาที่แน่นอนสำหรับแพลตฟอร์มปัจจุบัน SnapOtter ตรวจสอบลายเซ็นดัชนี Ed25519 ขนาดอาร์ติแฟกต์ การย่อย SHA-256 การย่อยโมเดล เส้นทาง โหมดไฟล์ และ smoke test ที่จัดฉาก ก่อนที่จะเปิดใช้งานเจเนอเรชั่นใหม่แบบอะตอมมิก การติดตั้งที่ล้มเหลวจะทำให้รุ่นที่มีประสิทธิภาพก่อนหน้านี้ใช้งานได้
สำหรับการติดตั้งแบบ air-gapped ให้อัปโหลดทั้ง ocr-runtime-index.json ของรีลีสและไฟล์รันไทม์ OCR ที่ตรงกันไปยัง POST /api/v1/admin/features/import โดยใช้ฟิลด์หลายส่วนที่ชื่อ index และ archive การนำเข้าแบบออฟไลน์จะใช้การตรวจสอบลายเซ็น แฮช การดึงข้อมูล ความเข้ากันได้ และการทดสอบควันแบบเดียวกันกับการติดตั้งแบบออนไลน์ ไฟล์เก็บถาวรที่ไม่มีดัชนีที่ลงนามที่เชื่อถือได้จะถูกปฏิเสธ
การลบพื้นหลัง
เส้นทางเครื่องมือ: remove-background
โมเดล: rembg พร้อม BiRefNet (ค่าเริ่มต้น) หรือรุ่นย่อย U2-Net
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
model |
string | - | รุ่นย่อยของโมเดล (การแทนที่แบบเสริม) |
backgroundType |
string | "transparent" |
หนึ่งใน: transparent, color, gradient, blur, image |
backgroundColor |
string | - | สีเลขฐานสิบหกสำหรับพื้นหลังสีทึบ |
gradientColor1 |
string | - | สีไล่ระดับสีแรก |
gradientColor2 |
string | - | สีไล่ระดับสีที่สอง |
gradientAngle |
number | - | มุมไล่ระดับสีเป็นองศา |
blurEnabled |
boolean | - | เปิดใช้งานเอฟเฟกต์เบลอพื้นหลัง |
blurIntensity |
number (0-100) | - | ความเข้มของการเบลอ |
shadowEnabled |
boolean | - | เปิดใช้งานเงาตกกระทบบนวัตถุ |
shadowOpacity |
number (0-100) | - | ความทึบของเงา |
outputFormat |
string | - | รูปแบบเอาต์พุต: png, webp หรือ avif |
edgeRefine |
integer (0-3) | - | ระดับการปรับแต่งขอบ |
decontaminate |
boolean | - | ลบสีที่ซึมออกจากขอบ |
แทนที่พื้นหลัง
เส้นทางเครื่องมือ: background-replace
โมเดล: rembg / BiRefNet (ใช้ร่วมกับ remove-background)
ลบพื้นหลังและแทนที่ด้วยสีทึบหรือสีไล่ระดับ
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
backgroundType |
"color" | "gradient" |
"color" |
โหมดพื้นหลัง |
color |
string | "#ffffff" |
สีเลขฐานสิบหกของพื้นหลัง (เมื่อ backgroundType เป็น color) |
gradientColor1 |
string | - | สีเลขฐานสิบหกไล่ระดับสีแรก |
gradientColor2 |
string | - | สีเลขฐานสิบหกไล่ระดับสีที่สอง |
gradientAngle |
integer (0-360) | 180 |
มุมไล่ระดับสีเป็นองศา |
feather |
integer (0-20) | 0 |
รัศมีการเกลี่ยขอบ |
format |
"png" | "webp" |
"png" |
รูปแบบเอาต์พุต |
เบลอพื้นหลัง
เส้นทางเครื่องมือ: blur-background
โมเดล: rembg / BiRefNet (ใช้ร่วมกับ remove-background)
เบลอพื้นหลังในขณะที่ยังคงความคมชัดของวัตถุ
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
intensity |
integer (1-100) | 50 |
ความเข้มของการเบลอ |
feather |
integer (0-20) | 0 |
รัศมีการเกลี่ยขอบ |
format |
"png" | "webp" |
"png" |
รูปแบบเอาต์พุต |
การขยายภาพ
เส้นทางเครื่องมือ: upscale
โมเดล: RealESRGAN (พร้อม Lanczos สำรองเมื่อไม่พร้อมใช้งาน)
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
scale |
number | 2 |
ตัวคูณการขยาย |
model |
string | "auto" |
รุ่นย่อยของโมเดล |
faceEnhance |
boolean | false |
ใช้รอบการปรับปรุงใบหน้า GFPGAN |
denoise |
number | 0 |
ความแรงในการลดสัญญาณรบกวน |
format |
string | "auto" |
การแทนที่รูปแบบเอาต์พุต |
quality |
number | 95 |
คุณภาพเอาต์พุต (1-100) |
OCR / การแยกข้อความ
เส้นทางเครื่องมือ: ocr
รุ่น: Tesseract (fast); RapidOCR พร้อม PP-OCRv6 รุ่นเล็ก (balanced); รุ่นกลาง PP-OCRv6 พร้อมการให้คะแนนตัวแปรที่ปรับเทียบแล้ว (best)
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
quality |
"fast" | "balanced" | "best" |
พลวัต | เมื่อไม่ระบุ quality และ engine SnapOtter จะเลือกระดับที่ดีที่สุดที่ใช้ได้ตามลำดับ best, balanced, fast สำหรับภาษาเกาหลีจะไม่เลือก fast แต่จะใช้ best แล้วจึง balanced หรือส่งคืนข้อผิดพลาดการติดตั้งหรือความเข้ากันได้ของรันไทม์แบบแม่นยำ |
language |
string | "auto" |
ภาษา: auto, en, de, fr, es, zh, ja, ko |
enhance |
บูลีน | ขึ้นอยู่กับระดับ | ปรับปรุงความคมชัดในท้องถิ่น ใช้งานได้อย่างรวดเร็วโดยตรง ระดับที่แม่นยำจะคงตัวแปรไว้เฉพาะเมื่อคะแนนที่ปรับเทียบแล้วปรับปรุง OCR ค่าเริ่มต้นเป็นดีที่สุด |
engine |
เชือก | - | นามแฝงความเข้ากันได้ที่เลิกใช้แล้ว แมป tesseract กับ fast และค่า paddleocr ดั้งเดิมกับ balanced มันไม่โหลด PaddlePaddle |
ส่งคืนข้อความที่แยกออกมาพร้อมข้อมูลเมตาแหล่งที่มา: เครื่องยนต์ คุณภาพที่ร้องขอและตามจริง อุปกรณ์ ผู้ให้บริการ สถานะการเสื่อมสภาพ คำเตือน และเวอร์ชันรันไทม์/รุ่นที่แม่นยำ หากมี คำขอคุณภาพที่ชัดเจนจะไม่ถอยกลับไปยังระดับอื่น ถ้า balanced หรือ best ไม่พร้อมใช้งาน API จะส่งกลับ FEATURE_NOT_INSTALLED หรือ FEATURE_INCOMPATIBLE แทนที่จะรัน fast แบบเงียบๆ
PDF OCR
เส้นทางเครื่องมือ: ocr-pdf
โมเดล: ระบบระดับเดียวกับ OCR ภาพ
แยกข้อความจากเอกสาร PDF ที่สแกนโดยใช้ OCR ที่ขับเคลื่อนด้วย AI ทีละหน้า
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
quality |
"fast" | "balanced" | "best" |
พลวัต | เมื่อไม่ระบุ quality และ engine SnapOtter จะเลือกระดับที่ดีที่สุดที่ใช้ได้ตามลำดับ best, balanced, fast สำหรับภาษาเกาหลีจะไม่เลือก fast แต่จะใช้ best แล้วจึง balanced หรือส่งคืนข้อผิดพลาดการติดตั้งหรือความเข้ากันได้ของรันไทม์แบบแม่นยำ |
language |
string | "auto" |
ภาษา: auto, en, de, fr, es, zh, ja, ko |
pages |
string | "all" |
การเลือกหน้า: "all", "1-3", "1,3,5" |
enhance |
บูลีน | ขึ้นอยู่กับระดับ | ปรับปรุงความคมชัดในท้องถิ่น ใช้งานได้อย่างรวดเร็วโดยตรง ระดับที่แม่นยำจะคงตัวแปรไว้เฉพาะเมื่อคะแนนที่ปรับเทียบแล้วปรับปรุง OCR ค่าเริ่มต้นเป็นดีที่สุด |
engine |
เชือก | - | นามแฝงความเข้ากันได้ที่เลิกใช้แล้ว แมป tesseract กับ fast และค่า paddleocr ดั้งเดิมกับ balanced มันไม่โหลด PaddlePaddle |
กฎการไม่ดาวน์เกรดเดียวกันนี้ใช้กับ PDF OCR หน้า PDF จะถูกแรสเตอร์ก่อนที่จะจดจำ และคำขอหนึ่งรายการสามารถเลือกได้สูงสุด 50 หน้า
เบลอใบหน้า / PII
เส้นทางเครื่องมือ: blur-faces
โมเดล: การตรวจจับใบหน้า MediaPipe
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
blurRadius |
number (1-100) | 30 |
รัศมีการเบลอแบบเกาส์เซียน |
sensitivity |
number (0-1) | 0.5 |
เกณฑ์ความเชื่อมั่นในการตรวจจับ |
การปรับปรุงใบหน้า
เส้นทางเครื่องมือ: enhance-faces
โมเดล: GFPGAN, CodeFormer
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
model |
"auto" | "gfpgan" | "codeformer" |
"auto" |
โมเดลการปรับปรุง |
strength |
number (0-1) | 0.8 |
ความแรงของการปรับปรุง |
sensitivity |
number (0-1) | 0.5 |
เกณฑ์การตรวจจับใบหน้า |
onlyCenterFace |
boolean | false |
ปรับปรุงเฉพาะใบหน้าที่อยู่กึ่งกลางที่สุด |
การลงสีด้วย AI
เส้นทางเครื่องมือ: colorize
โมเดล: DDColor (พร้อม OpenCV DNN สำรอง)
แปลงภาพถ่ายขาวดำหรือโทนสีเทาเป็นภาพสีเต็มรูปแบบ
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
intensity |
number (0-1) | 1.0 |
ความแรงของความอิ่มตัวของสี |
model |
"auto" | "ddcolor" | "opencv" |
"auto" |
รุ่นย่อยของโมเดล |
การลบสัญญาณรบกวน
เส้นทางเครื่องมือ: noise-removal
โมเดล: SCUNet (ไปป์ไลน์ลดสัญญาณรบกวนแบบหลายระดับ)
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
tier |
"quick" | "balanced" | "quality" | "maximum" |
"balanced" |
ระดับการประมวลผล |
strength |
number (0-100) | 50 |
ความแรงในการลดสัญญาณรบกวน |
detailPreservation |
number (0-100) | 50 |
จำนวนรายละเอียดที่จะเก็บรักษา ยิ่งสูงยิ่งเก็บพื้นผิวไว้มาก |
colorNoise |
number (0-100) | 30 |
ความแรงในการลดสัญญาณรบกวนสี |
format |
string | "original" |
รูปแบบเอาต์พุต: original, png, jpeg, webp, avif, jxl |
quality |
number (1-100) | 90 |
คุณภาพการเข้ารหัสเอาต์พุต |
การลบตาแดง
เส้นทางเครื่องมือ: red-eye-removal
ตรวจจับจุดสังเกตใบหน้า ระบุตำแหน่งบริเวณดวงตา และแก้ไขการอิ่มตัวเกินของช่องสีแดง
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
sensitivity |
number (0-100) | 50 |
เกณฑ์การตรวจจับพิกเซลสีแดง |
strength |
number (0-100) | 70 |
ความแรงในการแก้ไข |
format |
string | - | การแทนที่รูปแบบเอาต์พุต (เสริม) |
quality |
number (1-100) | 90 |
คุณภาพเอาต์พุต |
การกู้คืนภาพถ่าย
เส้นทางเครื่องมือ: restore-photo
ไปป์ไลน์หลายขั้นตอนสำหรับภาพถ่ายเก่าหรือเสียหาย: การตรวจจับและซ่อมรอยขีดข่วน/รอยฉีก การปรับปรุงใบหน้า การลดสัญญาณรบกวน และการลงสีเสริม
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
scratchRemoval |
boolean | true |
ตรวจจับและซ่อมรอยขีดข่วน รอยฉีก |
faceEnhancement |
boolean | true |
ใช้รอบการปรับปรุงใบหน้า |
fidelity |
number (0-1) | 0.7 |
ความแรงในการปรับปรุงใบหน้า (สูงกว่า = อนุรักษ์นิยมมากกว่า) |
denoise |
boolean | true |
ใช้รอบการลดสัญญาณรบกวน |
denoiseStrength |
number (0-100) | 25 |
ความแรงในการลดสัญญาณรบกวน |
colorize |
boolean | false |
ลงสีหลังการกู้คืน |
colorizeStrength |
number (0-100) | 85 |
ความเข้มของการลงสี |
รูปถ่ายหนังสือเดินทาง
เส้นทางเครื่องมือ: passport-photo
โมเดล: จุดสังเกตใบหน้า MediaPipe + การลบพื้นหลัง BiRefNet
เวิร์กโฟลว์สองเฟส: วิเคราะห์ (ตรวจจับใบหน้า + ลบพื้นหลัง) จากนั้นสร้าง (ครอป ปรับขนาด เรียงเป็นแผ่น) รองรับกว่า 37 ประเทศใน 6 ภูมิภาค
เฟส 1: วิเคราะห์
POST /api/v1/tools/image/passport-photo/analyze
รับไฟล์ภาพ (multipart) ส่งคืนข้อมูลจุดสังเกตใบหน้า ตัวอย่างแบบ base64 และขนาดของภาพ
เฟส 2: สร้าง
POST /api/v1/tools/image/passport-photo/generate
รับ JSON body ที่มีผลลัพธ์จากเฟส 1 พร้อมด้วยการตั้งค่าการสร้าง:
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
jobId |
string | (จำเป็น) | Job ID จากเฟส 1 |
filename |
string | (จำเป็น) | ชื่อไฟล์ต้นฉบับจากเฟส 1 |
countryCode |
string | (จำเป็น) | รหัสประเทศ ISO (เช่น US, GB, IN) |
documentType |
string | "passport" |
ประเภทเอกสาร |
bgColor |
string | "#FFFFFF" |
สีเลขฐานสิบหกของพื้นหลัง |
printLayout |
string | "none" |
เลย์เอาต์การพิมพ์: none, 4x6, a4, letter |
maxFileSizeKb |
number | 0 |
ขนาดไฟล์สูงสุดเป็น KB (0 = ไม่จำกัด) |
dpi |
number (72-1200) | 300 |
DPI เอาต์พุต |
customWidthMm |
number | - | ความกว้างกำหนดเองเป็นมิลลิเมตร (แทนที่ข้อกำหนดของประเทศ) |
customHeightMm |
number | - | ความสูงกำหนดเองเป็นมิลลิเมตร (แทนที่ข้อกำหนดของประเทศ) |
zoom |
number (0.5-3) | 1 |
ตัวคูณการซูม |
adjustX |
number | 0 |
การปรับตำแหน่งแนวนอน |
adjustY |
number | 0 |
การปรับตำแหน่งแนวตั้ง |
landmarks |
object | (จำเป็น) | จุดสังเกตจากเฟส 1 |
imageWidth |
number | (จำเป็น) | ความกว้างของภาพจากเฟส 1 |
imageHeight |
number | (จำเป็น) | ความสูงของภาพจากเฟส 1 |
การลบวัตถุ (Inpainting)
เส้นทางเครื่องมือ: erase-object
โมเดล: LaMa ผ่าน ONNX Runtime
มาสก์จะถูกส่งเป็น ส่วนไฟล์ที่สอง (fieldname mask) ไม่ใช่แบบ base64 พิกเซลสีขาวในมาสก์บ่งชี้บริเวณที่จะลบ การตั้งค่า format และ quality จะถูกส่งเป็นฟิลด์ฟอร์มระดับบนสุด
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
file |
file | (จำเป็น) | ภาพต้นฉบับ (multipart) |
mask |
file | (จำเป็น) | ภาพมาสก์ (multipart, fieldname mask, สีขาว = ลบ) |
format |
string | "auto" |
รูปแบบเอาต์พุต: auto, png, jpg, jpeg, webp, tiff, gif, avif, heic, heif, jxl |
quality |
integer (1-100) | 95 |
คุณภาพเอาต์พุต |
เร่งความเร็วด้วย CUDA เมื่อมี NVIDIA GPU พร้อมใช้งาน
AI Canvas Expand
เส้นทางเครื่องมือ: ai-canvas-expand
โมเดล: outpainting ที่ใช้ LaMa
ขยายพื้นที่แคนวาสของภาพในทิศทางใดก็ได้ และเติมบริเวณใหม่ด้วยเนื้อหาที่สร้างโดย AI ให้เข้ากับภาพที่มีอยู่
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
extendTop |
integer | 0 |
จำนวนพิกเซลที่จะขยายด้านบน |
extendRight |
integer | 0 |
จำนวนพิกเซลที่จะขยายด้านขวา |
extendBottom |
integer | 0 |
จำนวนพิกเซลที่จะขยายด้านล่าง |
extendLeft |
integer | 0 |
จำนวนพิกเซลที่จะขยายด้านซ้าย |
tier |
"fast" | "balanced" | "high" |
"balanced" |
ระดับคุณภาพ |
format |
string | "auto" |
รูปแบบเอาต์พุต: auto, png, jpg, jpeg, webp, tiff, gif, avif, heic, heif, jxl |
quality |
integer (1-100) | 95 |
คุณภาพเอาต์พุต |
อย่างน้อยหนึ่งทิศทางในการขยายต้องมากกว่า 0
Smart Crop
เส้นทางเครื่องมือ: smart-crop
โมเดล: การตรวจจับใบหน้า MediaPipe (โหมดใบหน้าเท่านั้น)
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
mode |
string | "subject" |
กลยุทธ์การครอป: subject, face, trim |
strategy |
"attention" | "entropy" |
"attention" |
กลยุทธ์สำหรับโหมดวัตถุ |
width |
integer | - | ความกว้างเอาต์พุต |
height |
integer | - | ความสูงเอาต์พุต |
padding |
integer (0-50) | 0 |
เปอร์เซ็นต์ระยะขอบรอบวัตถุ |
facePreset |
string | "head-shoulders" |
การจัดกรอบสำเร็จรูปเมื่อ mode=face |
sensitivity |
number (0-1) | 0.5 |
เกณฑ์การตรวจจับใบหน้า |
threshold |
integer (0-255) | 30 |
เกณฑ์การตรวจจับพื้นหลัง (โหมด trim) |
padToSquare |
boolean | false |
เพิ่มระยะขอบผลลัพธ์ที่ตัดแล้วให้เป็นสี่เหลี่ยมจัตุรัส |
padColor |
string | "#ffffff" |
สีพื้นหลังสำหรับการเพิ่มระยะขอบแบบสี่เหลี่ยมจัตุรัส |
targetSize |
integer | - | ขนาดเป้าหมายสำหรับเอาต์พุตที่เพิ่มระยะขอบ (พิกเซล) |
quality |
integer (1-100) | - | คุณภาพเอาต์พุต |
ค่า mode แบบเดิม attention และ content ยังคงรับได้และแมปไปเป็น subject และ trim ตามลำดับ
การจัดกรอบใบหน้าสำเร็จรูป:
| สำเร็จรูป | เหมาะสำหรับ |
|---|---|
closeup |
ภาพศีรษะ |
head-shoulders |
ภาพโปรไฟล์ |
upper-body |
LinkedIn / ทางการ |
half-body |
ครึ่งตัวบนเต็มตัว |
ถอดเสียงเป็นข้อความ
เส้นทางเครื่องมือ: transcribe-audio
โมเดล: faster-whisper
แปลงเสียงพูดเป็นข้อความ รองรับรูปแบบเอาต์พุตข้อความธรรมดา, SRT และ VTT
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
language |
string | "auto" |
ภาษา: auto, en, de, fr, es, zh, ja, ko, id, th, vi |
outputFormat |
"txt" | "srt" | "vtt" |
"txt" |
รูปแบบเอาต์พุต |
คำบรรยายอัตโนมัติ
เส้นทางเครื่องมือ: auto-subtitles
โมเดล: faster-whisper (แยกเสียงจากวิดีโอ แล้วถอดเสียงเป็นข้อความ)
สร้างไฟล์คำบรรยายจากแทร็กเสียงของวิดีโอ
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
language |
string | "auto" |
ภาษา: auto, en, de, fr, es, zh, ja, ko, id, th, vi |
format |
"srt" | "vtt" |
"srt" |
รูปแบบคำบรรยายเอาต์พุต |
เครื่องมือแก้ไขความโปร่งใส PNG
เส้นทางเครื่องมือ: transparency-fixer
โมเดล: BiRefNet HR-matting (ความละเอียด 2048x2048)
แก้ไขไฟล์ PNG แบบ "โปร่งใสปลอม" ที่พื้นหลังถูกลบออกไปแล้วแต่ทิ้งขอบซ่อน, รัศมีเงา หรือสิ่งแปลกปลอมกึ่งโปร่งใสไว้ ใช้โมเดล matting ความละเอียดสูงของ BiRefNet เพื่อสร้างช่องอัลฟาที่สะอาด แล้วใช้การประมวลผล defringe ที่กำหนดค่าได้เพื่อลบการปนเปื้อนของสีตามขอบ
สายสำรองกรณี OOM: หาก BiRefNet HR-matting ใช้หน่วยความจำเกินที่มี เครื่องมือจะถอยกลับไปใช้ birefnet-general โดยอัตโนมัติ จากนั้นไปที่ u2net
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
defringe |
number (0-100) | 30 |
ความแรงของ defringe ขอบเพื่อลบการปนเปื้อนของสี |
outputFormat |
"png" | "webp" |
"png" |
รูปแบบภาพเอาต์พุต |
removeWatermark |
boolean | false |
ใช้การประมวลผลล่วงหน้าเพื่อลบลายน้ำ (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"}'
เครื่องมือที่มีความสามารถ AI เสริม
เครื่องมือต่อไปนี้ไม่ใช่เครื่องมือ Python sidecar แต่ใช้ฟีเจอร์ AI เมื่อเปิดใช้งานตัวเลือกบางอย่าง
การปรับปรุงภาพ
เส้นทางเครื่องมือ: image-enhancement
เอนจิน: อิงการวิเคราะห์ (ฮิสโทแกรมและสถิติของ Sharp)
วิเคราะห์ภาพและใช้การแก้ไขอัตโนมัติสำหรับการเปิดรับแสง คอนทราสต์ สมดุลแสงขาว ความอิ่มตัวของสี ความคมชัด และสัญญาณรบกวน รองรับโหมดเฉพาะฉาก
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
mode |
"auto" | "portrait" | "landscape" | "low-light" | "food" | "document" |
"auto" |
โหมดฉากสำหรับการปรับจูนการแก้ไข |
intensity |
number (0-100) | 50 |
ความแรงในการแก้ไขโดยรวม |
corrections.exposure |
boolean | true |
ใช้การแก้ไขการเปิดรับแสง |
corrections.contrast |
boolean | true |
ใช้การแก้ไขคอนทราสต์ |
corrections.whiteBalance |
boolean | true |
ใช้การแก้ไขสมดุลแสงขาว |
corrections.saturation |
boolean | true |
ใช้การแก้ไขความอิ่มตัวของสี |
corrections.sharpness |
boolean | true |
ใช้การแก้ไขความคมชัด |
corrections.denoise |
boolean | true |
ใช้การลดสัญญาณรบกวน |
deepEnhance |
boolean | false |
เปิดใช้งานการลบสัญญาณรบกวนด้วย AI ผ่าน SCUNet (ต้องใช้ชุดฟีเจอร์ upscale-enhance) |
มีปลายทางการวิเคราะห์เพิ่มเติมที่ POST /api/v1/tools/image/image-enhancement/analyze ซึ่งส่งคืนการแก้ไขที่ตรวจพบโดยไม่นำมาใช้จริง
การปรับขนาดตามเนื้อหา (Seam Carving)
เส้นทางเครื่องมือ: content-aware-resize
เอนจิน: ไบนารี Go caire (ไม่ใช่ Python จึงไม่ได้ประโยชน์จาก GPU)
ปรับขนาดภาพอย่างชาญฉลาดด้วยการลบ seam ที่มีพลังงานต่ำ โดยรักษาเนื้อหาสำคัญไว้
| พารามิเตอร์ | ประเภท | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
width |
number | - | ความกว้างเป้าหมาย |
height |
number | - | ความสูงเป้าหมาย |
protectFaces |
boolean | false |
ปกป้องบริเวณใบหน้าที่ตรวจพบ (ต้องใช้ชุดฟีเจอร์ face-detection) |
blurRadius |
number (0-20) | 4 |
การเบลอล่วงหน้าสำหรับการคำนวณพลังงาน |
sobelThreshold |
number (1-20) | 2 |
เกณฑ์ความไวของขอบ |
square |
boolean | false |
บังคับเอาต์พุตเป็นสี่เหลี่ยมจัตุรัส |