从搭建、训练、调试到交付运维，工业视觉项目的每个环节都在平台内闭环。
60+ 种视觉节点、16 个分类：取图、预处理、异常检测、卡尺测量、仪表读数、OCR、判定、网络输出。拖拽连线即成流水线，60 多种节点的手册由 AI 助手随时解答。
用自己的样本在 GUI 里重训模型，无需写代码：免标注异常检测（PatchCore / 自编码器）+ YOLO 全任务（检测 / 旋转框 / 分割 / 分类）。阈值自动标定，训练进度实时可视。
像调试程序一样调试视觉流水线：逐节点查看中间图像与数据，TIMING 面板给出每个节点的耗时分解，OUTPUT / DEBUG / LOGS 面板实时滚动运行状态，问题节点一眼定位。
开发完一键导出两种成品：带界面的独立程序（可最小化到系统托盘常驻采集）和无头推理服务（FastAPI / CLI，带鉴权与 Prometheus 指标）。体积小，可直接装进嵌入式边缘设备。
采集、处理、检测、判定、输出全部节点化 — 换产品 = 换一条流水线，而不是换一套代码。
模型训练产物直接被流水线引用；打包成品可脱离平台独立运行，并反向接入客户的 MES / PLC 业务系统。
拖拽开发 · 二次训练 · 断点调试 · 打包分发 — 四大能力逐个展开。
从左侧节点库拖出模块、连线成 DAG、点 Run — 一条检测流水线就建好了。60 多种节点覆盖工业视觉的主流任务，画布支持实时预览、撤销重做和 JSON 序列化。
示例：瓶身表面缺陷检测（内置例程 anomaly_defect）— 这正是本站截图里跑通的那条。
换产品 = 拖一条新流水线；节点参数即配置，不需要重写任何代码。
在 GUI 的「模型」页选好样本文件夹点训练即可 — 没有脚本、没有命令行、没有超参炼丹。训练完的模型自动进入模型库，流水线节点直接引用。
消费级显卡即可训练：实测 RTX 4070 Ti SUPER 上 PatchCore 建库 209 图约 90 秒，YOLO nano 单 epoch 106 秒、峰值显存仅 1.8 GB。
视觉项目最怕"结果不对，但不知道哪一环不对"。慧眼把流水线当成程序来调试：
成品不依赖 Python 环境与平台本体，体积小到可以装进嵌入式边缘设备；也能以服务形态与业务系统长期共存。
以下是常用节点速览，完整清单可在平台内查看（每个节点带帮助卡片与默认参数）。
| 分类 | 代表节点 | 用途 |
|---|---|---|
| 异常检测 | AnomalyDetection（PatchCore / 自编码器） | 免标注缺陷检测，输出分数与热力图 |
| 目标检测 | ObjectDetect · ImageClassify | YOLO 检测 / OBB / 分割 / 分类结果进流水线 |
| 边缘测量 | Caliper 系列 · CircleFit | 边缘卡尺、圆拟合、距离与角度测量 |
| 仪表读数 | 指针表 · 七段码 · 游标卡尺 | 老仪表数字化读数 |
| 定位 | Fixture · TemplateMatch | 定位纠偏、模板匹配，姿态变化不再影响检测 |
| 预处理 | 阈值 · 形态学 · 对比度 · 颜色阈值 | 光照稳定化与目标分离 |
| 判定 | ThresholdVerdict · CountVerdict · Combine | 分数 / 数量 / 多条件组合成 OK-NG |
| 文字 / OCR | OCR · 条码 · 二维码 · 文字匹配 | 喷码校验、批次识别 |
| 网络 | MqttPublish · MqttSubscribe · HttpPost / HttpGet | 结果上报与远程指令，直连业务系统 |
| 输出 | 热力图 · 标注图 · PDF 报表 · CSV 导出 | 人看的结果与机器用的数据同时产出 |
画布旁边就有 AI 助手：查节点手册、解释报错、帮你搭线。平台同时内置 MCP Server，把 8 个工具开放给任意 MCP 客户端（Codex CLI、OpenCode、Cursor 等）— 你可以用一句话让 AI 替你搭流水线。
以下均为平台实际运行截图（示例：瓶身表面缺陷检测，模型由 209 张正常样本训练）。
免标注异常检测：只用正常样本建模，划痕、崩边、污染自动上热力图，OK/NG 自动判定。
YOLO 检测 / 旋转框 / 分割 / 分类四任务，训练完直接进流水线做存在性、数量判定。
卡尺、圆拟合、标定节点输出物理坐标，公差判定自动给出 PASS / FAIL。
指针表、七段码、游标卡尺专用读数节点，老设备不改造成本即可接入数据系统。
OCR、条码、二维码节点配合文字匹配判定，做喷码错漏与批次校验。
MQTT / HTTP 节点直连 PLC、MES；无头服务暴露 REST API 与 WebSocket 实时流。
「慧眼识瑕，毫厘毕现」开源免费的低代码工业视觉开发平台 · vision.byoe.net
卜一慧眼 — Bring Your Own Eye
安装 → 跑通例程 → 换上你的样本 → 训练 → 打包分发。全程不需要写代码；需要 Python 3.10+ 与一块普通显卡（CPU 也能跑）。
推荐安装完整版（含 GUI、训练、推理服务）。最小化安装见文末说明。
文件菜单 → Examples，选择一个例程（瓶身缺陷检测、指针仪表读数、游标卡尺、七段码、模板匹配定位……），点 Run 立即出结果。建议先跑「Anomaly — Defective bottle」看热力图效果。
anomaly_defect / anomaly_pass — 同一模型分别看坏品与好品，理解阈值含义。
analog_gauge / seven_segment_lcd / vernier_caliper — 指针表、数码管、卡尺读数。
template_match / fixture / blob_count — 模板定位、纠偏、斑点计数判定。
不需要缺陷样本 — 收集 100~300 张正常品图片，按文件夹存放即可开始。
把产线上顺手存的 OK 品图放进一个文件夹（光照、工位保持稳定）
「模型」标签 → 新建训练 → 方法选 PatchCore → 指定样本文件夹
几百张图分钟级完成；阈值自动按 99.5 分位标定
异常检测节点的预设下拉里选刚训的模型，Run 即可检测
结果不对时：点开 TIMING 看哪个节点慢、OUTPUT 看每个节点的中间图像、DEBUG 看数据流向 — 定位到节点后改参数重跑，秒级验证。
给操作工用 → 打包成带界面的独立程序（可托盘常驻）；给业务系统用 → 无头服务 + REST API / MQTT 上报。成品不需要安装 Python。
部署时还支持 --set 节点.参数=值 运行时配置覆盖与 diagnose 远程诊断包，现场运维不抓瞎。
不需要。CPU 即可运行推理与 PatchCore 建库；有 NVIDIA 显卡时训练明显更快。GPU 训练另装 CUDA 版 PyTorch 即可，平台自动识别。
pip install byoe-vision 只装核心；[anomaly] / [yolo] / [server] / [mqtt] 等可选 extras 按需组合，[all] 一步到位。
MIT 协议，完全免费。可以打包成你的产品的一部分交付给客户，无需授权费用。
图像文件、文件夹监控、屏幕捕获、摄像头 / RTSP（CLI 输入源 camera://、rtsp://、screen://）。
异常检测建议 100~300 张正常品；只需正常样本，不需要缺陷标注。YOLO 任务按类别各几十张起。
画布旁的 AI 助手可以直接帮你搭：用一句话描述检测需求，它查节点手册、搭线、校验、试跑。也可以用任意 MCP 客户端远程驱动。
