Skip to content

系统配置要求.md

Latest commit

 

History

History
111 lines (83 loc) · 5.92 KB

系统配置要求.md

File metadata and controls

111 lines (83 loc) · 5.92 KB
Raw

PPE Sentinel 系统配置要求

本文适用于 PPE Sentinel YOLO26 1.0.2。配置分为实时检测、公开服务器部署和模型训练三类；只运行已经打包的桌面程序时，不需要安装 Node.js 或 Python。

1. 实时检测最低配置

项目 最低要求 推荐配置
操作系统 Windows 10/11 64 位；Ubuntu 22.04 64 位 Windows 11 64 位或 Ubuntu 24.04 64 位
CPU 近 8 年内的 4 核 x86-64 处理器 6 核或以上的 Intel Core i5/i7、AMD Ryzen 5/7
内存 8 GB 16 GB 或以上
GPU 非必需，可使用 CPU 推理 NVIDIA CUDA 显卡，显存 6 GB 或以上
可用磁盘 8 GB，不含数据集和日志 20 GB 或以上
摄像头 支持 UVC/系统摄像头接口，分辨率 720p 内置或 USB 1080p 摄像头
显示分辨率 1280 x 720；程序窗口最低 840 x 640 1920 x 1080 或以上
浏览器 支持 getUserMedia 的现代浏览器 最新稳定版 Edge 或 Chrome

Apple Silicon/Intel macOS 可按 Electron 的 dmg 目标构建，但当前发布流程主要验证 Windows 和 Linux，正式部署前应在目标 macOS 版本上重新测试摄像头、PyTorch 和签名流程。

CPU 可以运行 YOLO26n，但帧率取决于处理器、输入分辨率和启用的类别数量。需要连续实时检测时建议使用 NVIDIA GPU。GPU 加速只有在 Python 环境或桌面安装包包含兼容的 CUDA PyTorch 时才会启用。

2. 从源码运行的软件要求

软件 要求
Node.js 20 或更高版本
npm 随 Node.js 安装；Windows PowerShell 建议使用 npm.cmd
Python 3.10-3.12；推荐 3.11 64 位
Ultralytics 8.4.117
PyYAML 6.x
PyTorch/torchvision 版本必须相互匹配；PyTorch 2.7.x 对应 torchvision 0.22.x
Git 克隆和版本管理时需要

基础安装：

$env:npm_config_cache = Join-Path (Get-Location) ".npm-cache"
$env:PIP_CACHE_DIR = Join-Path (Get-Location) ".pip-cache"
.\scripts\setup.ps1
npm.cmd start

CUDA 用户应从 PyTorch 官方索引安装与显卡驱动匹配的版本。当前推理服务会在 PPE_DEVICE=auto 时优先选择 CUDA，否则回退到 CPU。不要混用不匹配的 torch 和 torchvision；这可能导致算子缺失或推理进程退出。

3. 桌面安装包构建要求

构建过程需要联网下载 Electron、Electron Builder、PyInstaller、PyTorch 和相关平台二进制文件。

软件/资源 要求
Electron 39.x
electron-builder 26.x
PyInstaller 6.16 至小于 7
Windows 构建机 Windows 10/11 64 位，建议 16 GB 内存、20 GB 可用磁盘
Linux 构建机 Ubuntu 22.04/24.04，建议 16 GB 内存、20 GB 可用磁盘
网络 可访问 npm、Python 包索引和 GitHub Release 下载地址

安装构建依赖并生成当前操作系统的安装包：

.\scripts\setup.ps1 -BuildTools
npm.cmd run privacy:audit
npm.cmd run dist:desktop

Windows 构建生成 NSIS 安装程序和 Portable 便携版；Linux 构建生成 AppImage。不同操作系统的安装包应在对应操作系统或 GitHub Runner 上构建，不建议跨平台打包。

GitHub Release 的单个资产必须严格小于 2 GiB。公开发布的 Linux AppImage 因此固定使用 CPU-only PyTorch，避免把 CUDA、ROCm 和 Triton 动态库冻结进 PyInstaller 后端。该限制只影响预编译 AppImage；从源码安装的 Linux 用户仍可按硬件选择 CUDA 版 PyTorch。

4. 公网或局域网部署要求

项目 要求
Docker Docker Engine 24+ 和 Docker Compose v2，使用容器部署时需要
域名 公网部署需要可解析到服务器的域名
端口 Caddy 需要入站 TCP 80、TCP/UDP 443；应用容器内部使用 4175
HTTPS 远程浏览器访问摄像头必须使用 HTTPS；localhost 本地访问除外
身份认证 PPE_PUBLIC=1 时必须配置 PPE_USERNAME 和长随机 PPE_PASSWORD
上传带宽 导入大型 YOLO ZIP 数据集时需要稳定连接

本地模式监听 127.0.0.1:4175，Python 推理服务监听 127.0.0.1:4176。这两个端口只用于本机进程通信时不应直接暴露到公网。Docker/Caddy 模式仅公开 80/443，并通过反向代理访问应用。

5. 数据集和日志容量

  • 单个数据集 ZIP 的默认上传上限为 2048 MB，可通过 PPE_MAX_DATASET_UPLOAD_MB 调整。
  • 解压、校验和注册数据集时，建议预留压缩包大小 2-3 倍的临时磁盘空间。
  • 检测日志为 JSONL 文件，保存量取决于检测频率和运行时长；长期运行应配置磁盘配额、轮转和备份策略。
  • 摄像头画面不会由系统默认保存；只有启用检测日志时才写入结构化检测结果。

6. 增量训练推荐配置

训练并不是桌面实时检测的必要条件。需要重新训练或增加类别时，建议：

项目 最低可用 推荐配置
CPU 6 核 12 核或以上
内存 16 GB 32-64 GB
GPU NVIDIA CUDA，显存 8 GB；小批量训练 NVIDIA RTX，显存 12-24 GB
磁盘 50 GB SSD 100 GB 以上 NVMe SSD
数据集 YOLO 检测格式，独立 train/val/test 包含正负样本、遮挡和不同光照场景

训练所需显存受 imgsz、batch、数据增强和模型尺寸影响。显存不足时先降低 batch，再考虑降低 imgsz；CPU 训练仅适合功能验证，不建议用于正式增量训练。

7. 上线前检查

  1. 运行 npm.cmd run privacy:audit，确认源码和模型不包含本机路径或凭据。
  2. 运行 npm.cmd test 和 npm.cmd run build。
  3. 访问 /healthz，并确认 /api/health 返回模型、设备和 28 个类别。
  4. 分别测试内置摄像头、USB 摄像头、中文/英文和深色/浅色界面。
  5. 公网部署必须验证 HTTPS、Basic Auth、防火墙和数据集上传容量。
  6. Ear Protection 当前样本不足，不应作为独立合规判定依据。