PepperSight 是第一届贵客松 #Guikesong 项目。项目面向贵州干辣椒的门店、合作社和中小型加工场景，将视觉检测、品种识别、质量分级、业务规则与可视化质检台整合为可本地运行的轻量系统。
当前演示链路为：
外接 USB 相机
↓ OpenCV 采集、自适应光照与 ROI 触发
YOLO11 多辣椒定位
↓ 品种头 + 条件品级头 + 联合概率校准
DB52 等级映射与可配置评分规则
↓
FastAPI + SQLite + WebSocket
↓
Next.js 实时质检驾驶舱
本仓库公开可复用的工程代码，包括：
- 辣椒检测、单体提取与 DataLoader 脚本；
- 数据准备、特征提取、分层分类、半监督训练、评估与数据审计脚本；
- FastAPI 后端、SQLite 数据模型、WebSocket 广播、摄像头管线与集成测试；
- Next.js 前端、实时质检、批次分析、检测记录与评级规则页面。
为保护数据合规性并控制仓库体积，本仓库不包含原始/派生数据集、模型权重、实验输出、业务数据库、摄像头采集图片与团队个人信息。
- Python 3.10+：统一数据、训练、评估和后端推理链路。
- OpenCV：相机采集、帧差触发、候选分割、图像归一化与 MJPEG 编码。
- Ultralytics YOLO11 + PyTorch：多目标定位和多尺度特征骨干。
- scikit-learn / XGBoost / joblib：分层 SVM、梯度提升分类头、概率校准与模型封存。
- NumPy / pandas / Pillow：特征计算、样本清单、图像处理和审计报告。
- FastAPI + Uvicorn + Pydantic：异步 REST API、健康检查和数据校验。
- SQLAlchemy + SQLite：轻量本地持久化，适合单机 PoC 和现场演示。
- WebSocket：检测结果、批次统计与前端状态实时同步。
- pytest + HTTPX：评分引擎、摄像头管线、API 和数据流程测试。
- Next.js 14 + React 18 + TypeScript：App Router 架构的实时质检应用。
- Tailwind CSS：可复用的设计标记与响应式布局。
- Radix UI + Lucide React：可访问的交互组件与图标。
- Recharts：批次等级分布、质量指标和趋势可视化。
PepperSight/
├── detect_peppers.py # 辣椒检测
├── extract_peppers.py # 单体实例提取
├── pepper_dataloader.py # 数据加载与校验
├── requirements-dataloader.txt
├── requirements-training.txt
├── yolo11_pepper/
│ ├── train_*.py / evaluate_*.py # 训练与评估
│ ├── build_*.py / audit_*.py # 数据准备与审计
│ └── qianjiao-ai-inspection/
│ ├── backend/ # FastAPI 服务
│ └── frontend/ # Next.js 应用
└── docs/ # GitHub Pages 展示页与路演图集
cd yolo11_pepper/qianjiao-ai-inspection/backend
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
python -m uvicorn app.main:app --reload --port 8000cd yolo11_pepper/qianjiao-ai-inspection/frontend
cp .env.local.example .env.local
npm install
npm run dev访问：
- 实时质检台：
http://localhost:3000/inspection - API 文档：
http://localhost:8000/docs - 健康检查：
http://localhost:8000/api/health
真实模型推理需要在本地配置检测器、分类器与外接摄像头。没有权重时，可使用项目自带 Mock 链路验证前后端和批次业务流。完整环境变量见Web 子项目说明。
# 后端
cd yolo11_pepper/qianjiao-ai-inspection/backend
pytest -q
# 前端
cd ../frontend
npm run typecheck
npm run build以下图片来自贵客松路演材料，已排除团队成员介绍页。
率和 85.62% 四类联合准确率来自 clean v5 **物理隔离验证集**，不是独立盲测结果；当前仓库不将验证集指标表述为测试集成绩。设备价格、BOM、产能与回本周期均为早期假设，需通过实地 PoC 复核。
- 已部署项目展示：https://jhengxu.github.io/PepperSight/
- 完整实时实例：需外接摄像头和本地模型权重，按上述快速开始步骤运行。
在线页面展示项目背景、方案、技术路径、数据口径、商业模式和发展规划；它不伪装为已连接工业摄像头的实时生产系统。
本仓库公开的代码采用 MIT License。数据集、模型权重、商标与路演素材不因代码许可而自动获得同等授权。