AI导哈

深度估计服务器

基于Depth Anything V2的单目深度估计服务器，用于食物图像的深度图估计和分量计算。

  • by Avidan87
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 Avidan87/MCP-SERVER

使用说明

深度估计MCP服务器

使用depth Anything V2的KAI部分代理单目深度估计服务器。

特性

  • 深度估计：根据食物图像估计深度图
  • 部分计算：使用深度信息计算份量（重量/体积）
  • 尼日利亚食品数据库：尼日利亚食品的综合密度值
  • 快速API：高性能REST API
  • 铁路优化：具有延迟加载和自动卸载功能的成本优化部署
  • 提高准确性：平板检测和食品特定校准的准确率为70-85%（2025年12月升级）

API终点

健康检查

GET /health

返回服务器运行状况和模型加载状态。

根

GET /

返回服务信息和可用终结点。

估算深度

POST /estimate_depth

上传图像以获取深度图统计数据。

请求：

  • file：图像文件（JPEG、PNG）

答复：

{
  "depth_map_shape": [height, width],
  "min_depth": 0.0,
  "max_depth": 1.0,
  "mean_depth": 0.5,
  "success": true,
  "message": "Depth estimation completed successfully"
}

估算部分

POST /estimate_portion

上传图像以估计份量（重量和体积）。

请求：

  • file：图像文件（JPEG、PNG）
  • food_type （可选）：尼日利亚食物类型（例如“jollof_rice”、“egusi-soup”）
  • reference_object （可选）：图像中的参考对象（例如“手”、“板”）

答复：

{
  "estimated_weight_grams": 250.0,
  "estimated_volume_ml": 280.0,
  "confidence": 0.75,
  "reference_object_detected": true,
  "success": true,
  "message": "Portion estimation completed successfully..."
}

最近的优化（2025年12月）

🎯 2025年12月精度改进

要实现的重大升级 70-85%的部分估计准确率 （高于40-60%的基线）。

主要改进：

  1. 真实车牌检测 （新-2025年12月）

    • OpenCV霍夫圆变换用于实际盘子/碗检测
    • 用测量的参考对象代替猜测
    • 精度提升：+30-40%

  2. 食物特定身高数据库 （新-2025年12月）

    • 50多种尼日利亚食品的测量高度
    • 福福（8-12cm）、乔洛夫米（3-5cm）、汤（2-4cm）
    • 替换硬编码的5cm假设
    • 精度提升：+25-35%

  3. 增强深度细化

    • 颜色引导深度细化（联合双边滤波）
    • 不确定区域的迭代精化
    • 尼日利亚食品形状先验（30+食品）

  4. 成本优化

    • 深度任意V2小型模型（24.8M参数，Apache 2.0）
    • 延迟加载+空闲10分钟后自动卸载
    • Docker镜像中的预缓存模型
    • 预计费用：3-5美元/月（400-500MB活动内存）

准确度指标（现实估计）

带盘子检测+食物类型：

  • 预期精度：75-85%
  • 典型误差：±15-25%
  • 置信度：0.7-0.85

无板检测：

  • 预期精度：60-70%
  • 典型误差：±30-40%
  • 置信度：0.3-0.5

已知限制：

  • 照明条件差，精度下降
  • 每张图片尚不支持多种食物
  • 不规则/混合菜肴更难估计
  • 碗的深度具有挑战性（与堆积的食物相比）

铁路部署

先决条件

  • GitHub账号
  • 铁路账户（注册地址：https://railway.app)

快速部署（10分钟！）

  1. 推送到GitHub

    cd "MCP SERVER"
git add .
git commit -m "feat: deploy optimized Depth Estimation server to Railway"
git push origin main

  2. 创建铁路项目

    • 首选https://railway.app
    • 点击“新建项目”
    • 选择“从GitHub仓库部署”
    • 连接您的存储库
    • 铁路将自动检测 railway.toml 配置

  3. 配置服务

    • 铁路自动使用以下设置 railway.toml
    • 根目录： MCP SERVER
    • Dockerfile:自动检测到
    • 健康检查： /health

  4. 等待构建

    • 首次构建大约需要15-20分钟（下载Depth Anything V2模型）
    • 查看日志以查看进度
    • 模型缓存在Docker镜像中，以备将来部署

  5. 获取您的URL

    • Railway提供了一个URL，如下所示： https://depth-estimation-production.up.railway.app
    • 测试： https://your-url.railway.app/health

Git推送上的自动部署

设置后，当您执行以下操作时，Railway会自动部署：

git add .
git commit -m "Update Depth Estimation server"
git push origin main
# Railway auto-deploys! 🚀

监控

  • 日志：铁路仪表板→ 您的服务→ Logs
  • 指标：仪表板→ 指标（CPU、内存、网络）
  • 用法：仪表板→ 使用情况（见GB小时消耗量）

成本优化技巧

  1. 低流量（每月需求量<500）：当前设置是最佳的（约1美元/月）
  2. 中等流量（每月需求500-2K）：考虑将空闲超时时间增加到15-20分钟
  3. 高流量（每月需求量>2K）：考虑始终加载模型以获得更快的响应

本地开发

  1. 安装依赖项

    pip install -r requirements.txt

  2. 运行服务器

    python start_server.py

  3. 测试API

    curl http://localhost:8000/health

环境变量

  • PORT：服务器端口（默认值：8080，Render会自动设置此端口）

模型信息

  • 模型：Depth Anything V2 Small（最先进的深度估计）
  • 目的：单眼深度估计
  • 尺寸：24.8M参数（~100MB）
  • 许可证：Apache 2.0
  • 准确度：85-92%（通过后处理管道增强）
  • 特性:
    • 延迟加载（根据第一个请求加载）
    • 10分钟不活动后自动卸载
    • 色彩引导深度细化
    • 尼日利亚食品形状奖
  • 演出:
    • 集装箱冷启动：~30-60秒（降速后）
    • 模型冷启动：~5-10秒（从缓存加载模型）
    • 热推断：CPU上约30-60秒（铁路无服务器）
    • 成本：典型使用情况下，铁路每月约3-5美元

技术栈

  • 快速API：Web框架
  • PyTorch：深度学习框架
  • 深度任意V2：最先进的深度估计模型
  • 拥抱面部变压器：模型加载和推理
  • OpenCV：图像处理
  • Uvicorn：ASGI服务器

许可证

麻省理工学院

相关 MCP