Rebucca

语言 / Language： 简体中文 | English

开源协议： MIT License，可自由商用。详见 LICENSE。

• 官网：https://www.yuturuishi.com

• 微信：yuturuishi

• gitee开源地址：https://gitee.com/yuturuishi/rebucca

• github开源地址：https://github.com/yuturuishi/rebucca

• Rebucca是多路视频接入与智能布控分析平台。支持 GB28181 / RTSP、YOLO 小模型检测、OpenAI 兼容大模型复核、多边形布控与结构化报警。

• 视频接入：RTSP / GB28181 拉流，ZLMediaKit 转发，ONVIF 发现
• 智能分析：D-FINE 实时端到端检测（内置，OpenVINO 2024.6 / ONNX Runtime 1.30.0 双引擎） + YOLO-PyTorch / ONNX / OpenVINO 小模型 + 可选大模型复核
• 布控报警：多边形区域、7 种后处理规则（入侵/越线/计数/方向/密度/滞留/离岗），报警必有快照、频率严格跟随检测频率
• 运维：控制面板监控、流媒体启停、录像、一键重启软件、多语言（7 种）

• Python 3.10+
• FFmpeg（PATH 或 config.json 配置）
• ZLMediaKit（流媒体，端口与 config.json 一致）
• GPU 可选
• D-FINE 推理依赖固定版本：OpenVINO 2024.6 与 ONNX Runtime 1.30.0（见 requirements-windows.txt / requirements-linux.txt）

如果是Linux系统，需要手动进入到zlm/bin.x86.gcc9.4 或 zlm/bin.arm.gcc9.4 ，确保可以正确执行 ./rebucca_zlm


如果执行./rebucca_zlm失败了，可以参考下面的两种方式解决安装环境问题

（1）解决方式一
sudo chmod -R a+x *
echo "export LD_LIBRARY_PATH=\"$(pwd):\$LD_LIBRARY_PATH\"" >> ~/.bashrc && source ~/.bashrc

（2）解决方式二

sudo apt update
sudo apt install -y libsrtp2-1

//下载ubuntu20的libssl1.1包
wget http://security.ubuntu.com/ubuntu/pool/main/o/openssl/libssl1.1_1.1.1f-1ubuntu2.24_amd64.deb
sudo dpkg -i libssl1.1_1.1.1f-1ubuntu2.24_amd64.deb

//修复依赖
sudo apt -f install

安装依赖：

# Windows
pip install -r requirements-windows.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
或
pip install -r requirements-windows.txt

# Linux
pip install -r requirements-linux.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
或
pip install -r requirements-linux.txt

python manage.py runserver 0.0.0.0:10001

浏览器访问 http://<host>:10001/，默认账号 admin，默认密码 admin888。

首次部署请编辑 config.json（端口、ZLM、FFmpeg 等）和 settings.json（界面品牌）。启动配置页保存后多数项热更新生效；改管理端口或调试日志需重启服务。

视频管理 → 小模型 → 大模型 → 业务算法 → 布控管理 → 启动分析 → 报警管理

1. 添加摄像头并确认拉流正常
2. 上传/配置小模型（流程 1/3）和大模型（流程 2/3）
3. 创建业务算法，在布控页画区域并绑定算法
4. 点击「启动分析」（重启服务后需手动再点）
5. 在报警管理查看结果

只有业务算法规则命中才会报警；单纯检测到目标或画面运动不会产生报警记录。

日志目录：log/。版本号见 framework/settings.py。

• 2026/10/12
• 新增 D-FINE 实时端到端目标检测算法框架（本版本核心更新）
  • rebucca 正式接入 D-FINE 检测框架，作为通用检测能力内置默认存在：开箱即用，无需额外上传模型，即可在「小模型」「模型测试」「业务算法」「布控管理」全流程中选择 D-FINE。
  • D-FINE 能力突出：D-FINE 是 ICLR 2025 提出的实时端到端检测器，通过细粒度分布精炼（FDR）将边界框回归转化为精准的概率分布预测，无需 NMS、定位精度高、推理延迟低，在同等速度下精度显著优于同规模 YOLO 系模型，特别适合视频布控这类对定位精度与实时性都敏感的场景。
  • 双推理引擎：支持 OpenVINO（固定 2024.6） 与 ONNX Runtime（固定 1.30.0） 两种 Python 推理引擎，CPU / GPU 均可运行；不依赖 Ultralytics，彻底规避 AGPL 传染，商业部署更省心。
  • 内置默认模型：仓库内置 D-FINE-N（COCO 80 类）OpenVINO IR + ONNX 双格式权重（static/upload/weight/dfine/），首次启动自动注册为默认通用检测模型，模型类别为中文 80 类，报警快照与界面类别显示全部中文化。
  • 训练框架：D-FINE 模型基于我们的 ytstudio 训练框架（Train_DFINE）训练，支持 N/S/M/X 多档位模型的训练与自定义数据集微调，训练产物可一键导出为静态 ONNX 与 OpenVINO IR（fp32），直接部署到 rebucca 使用。如需用自己的数据训练专属 D-FINE 模型，导出后在小模型页上传即可。
• 报警可靠性：快照与报警原子化
  • 报警快照生成失败时不再写入无快照的「空报警」——每一条报警记录必有快照依据，报警记录的可靠性大幅提升。
• 报警频率严格跟随检测频率（重要治理）
  • 此前同一目标的多个规则/多目标可在同一帧内叠加产生大量报警。现在每路视频严格按布控的「检测频率」节流：检测频率 1 秒/帧即最多 1 秒 1 条报警，多目标/多规则同帧不叠加，杜绝报警风暴、大幅节省存储与资源。
• 性能优化
  • 解码频率自动对齐检测频率（1s 检测场景解码开销降低约 60%）；报警快照中文标签绘制改为 ROI 局部渲染（快约一个数量级）；快照 JPEG 质量优化（80）；区域多边形查找改为字典直查。
• 中文绘制支持
  • 新增中文绘制工具（PIL + 中文字体），报警快照中的类别标签、区域事件角标（报警/滞留）全部支持中文显示，不再出现 ??? 乱码。
• 界面优化：控制面板一屏显示
  • 首页控制面板整体紧凑化：「流媒体服务」「日志与刷新」并入双列卡片网格，统计卡与各区块间距收紧，普通笔记本屏幕（1366×768 起）即可一屏纵览全部面板内容，无需上下滚动。
• 小模型页体验优化
  • 顶部「模型文件检查结果」默认折叠为一行摘要（全部就绪时不再展开大横幅），点击可展开/收起明细；检测到模型文件缺失时仍自动展开红色警告。
  • 页面顶部新增开源项目 ytstudio 模型训练框架 入口（Gitee / GitHub 仓库直达），风格与整页统一、简洁清爽。
• 全站浏览器标签页图标（favicon）修复与强化
  • 所有页面标签页均显示站点图标；/favicon.ico 改为站点根路径直接输出（不走 302 跳转、带缓存响应头），彻底绕开浏览器对旧图标的死缓存；同时修复登录页图标被旧 logo 链接覆盖的问题。
• 新增「重启软件」按钮
  • 控制台首页新增一键重启软件入口，点击确认后服务自动重启（守护进程兜底确保拉起），布控自动安全停止。
• 依赖版本固定
  • requirements-*.txt 固定 openvino==2024.6.0、onnxruntime==1.30.0、pillow==10.4.0（pillow 10.4.0 兼容 Python 3.12）。

• 2026/09/24
• 新增「离岗检测」后处理规则（第 7 种业务规则）
  • 与密度报警相反的反向区域规则：密度是「区域内目标数 ≥ 阈值」报警，离岗是「区域内连续 N 秒无目标」报警。
  • 在业务算法页选择「离岗检测」，在布控区域配置离岗阈值（秒）即可使用；区域内连续无匹配目标达到阈值触发报警，目标回岗后自动重新武装、可再次触发。
  • 检测目标类别沿用业务算法的「检测目标」配置（如 person），只有匹配类别的目标才算「在岗」。
  • 适用场景：机房值守、收银台离岗、值班岗在岗监测、工地值班、客服工位监督等。
  • 实现：models.py 新增 POST_ABSENCE 与 ZoneModel.absence_threshold；biz_rules.py 新增 ABSENCE 规则匹配与离岗报警文案；pipeline.py 新增区域级离岗判定（在场计时/回岗重新武装）；schema_upgrade.py 老库自动补列，无需手动迁移。
• 补齐密度报警阈值配置入口（重要修复）
  • 此前密度报警（DENSITY）的 density_threshold 只有后端字段，布控区域编辑界面没有配置入口，导致密度报警阈值恒为 0、永远无法触发。
  • 现已在布控区域弹框中增加「密度阈值」「离岗阈值」两个输入项，新建/编辑均可配置并随布控保存。
• 报警管理支持密度/离岗类型筛选
  • 报警列表新增「密度报警」「离岗检测告警」筛选选项与类型显示。
• 区域级报警快照优化
  • 密度/离岗等区域级报警本身没有具体目标框，快照不再在左上角绘制 0×0 空检测框，仅保留区域多边形与事件角标。
• 国际化
  • 新增离岗/密度相关翻译键并补齐至全部 7 种语言；补齐简体中文缺失的 zone_state_enabled / zone_state_disabled。

• 2026/09/02
• 修复布控报警快照识别框位置异常（重要）
  • 共享推理池链路（默认开启）发送帧前会将长边降采样至 ≤1280 以节省传输，推理返回的检测框 / 关键点 / 分割多边形坐标属于缩放后小图坐标系，此前未经还原直接画到原始分辨率快照上，导致报警管理图片中识别框整体偏左上、尺寸偏小，分辨率越高错位越明显。
  • 现已按缩放比例将检测结果坐标还原回原图坐标（remote_detector.py），未降采样时零开销直通；同时修正了区域命中判断（点在多边形内）使用错位坐标导致的潜在误报 / 漏报。
• 修复编辑用户提交报错（int() argument ... not 'NoneType'）
  • 数据库返回的 is_active 为布尔值，前端直接赋给状态下拉框导致值匹配失败，提交时序列化为 null，后端 int(None) 抛出原始异常。
  • 前后端双重修复：前端将状态归一化为 '1' / '0'（user/index.html）；后端对 is_active 做布尔 / 字符串兼容归一化，id 缺失时返回业务错误提示（UserView.py）。
• 修复业务算法编辑弹框不回显已选检测目标
  • 打开编辑弹框时，已选检测目标先被正确填充，但随后触发的 onSmallModelChange() 以空选中集重绘下拉框，把回显项全部清空，表现为「选了多少项，打开编辑却一个都没选中」。
  • 现改为保留当前已选项重绘（与检测+ReID 流程的 onDetectorModelChange 行为一致）；真实切换小模型时，不属于新模型标签列表的旧选中项仍会被自然过滤（algorithm/index.html）。

• 2026/08/06
• 业务算法选择大模型相关修复（重要）
  • 大模型配置新增「名称」字段，可留空；新增 / 编辑时若名称为空，自动以「模型名称」兜底（name = model_name），避免大模型配置出现空名称。
  • 业务算法列表 / 编辑中，绑定大模型的显示名现在会回退到「模型名称」（llm_name 兜底 name or model_name），不再显示空白。
  • 修复业务算法编辑时，绑定的大模型若已被禁用，下拉框无法回显、看似「配置丢失 / 选不中」的问题：现在自动补一个带「[禁用]」标记的回显项，且每次打开编辑会清理上一次的回显项。
  • 业务算法「大模型」下拉选项 label 改为 name || model_name || #id，确保只填了模型名称时也能正确显示。
• 新增「统计看板」（报警态势总览）
  • 报警管理新增「统计看板」页面（/alarm/dashboard），一站式掌握报警态势。
  • 4 张核心统计卡：今日报警、近 7 天报警、累计报警、涉及摄像头数（均可点击下钻到对应列表）。
  • 报警趋势图：支持近 7 天 / 近 30 天切换。
  • 报警类型分布、报警 TOP 摄像头排行。
  • 新增接口 alarm/openStats，左侧导航新增「统计看板」入口。
• 国际化补全
  • 补齐统计看板相关 16 个翻译键至全部 7 种语言（es / ko / ru / vi / zh-hk / zh / en），修复此前仅 zh / en 有译、其余语言界面显示原始 key 的问题。

版本号见 framework/settings.py 的 PROJECT_VERSION。

rebucca 全部源代码以 MIT License 开源，可自由使用、修改、分发（含商用）。

本项目在运行时聚合若干第三方组件，各自遵循其许可，使用者需自行遵守：

• YOLO-PyTorch 引擎依赖 Ultralytics（AGPL-3.0）：若将其用于商业用途（闭源产品、私有部署、SaaS、边缘/嵌入式设备等），须遵守 Ultralytics 许可条款或购买其 Enterprise License；rebucca 的 MIT 许可不覆盖该部分义务。如需完全规避 AGPL，请改用 ONNX / OpenVINO 引擎。
• 模型权重：仓库内置示例权重（static/upload/weight/），其许可由提供方负责；Ultralytics 预训练权重（*.pt）受 AGPL / 企业许可约束。
• 版本检测（唯一对外网络请求）：rebucca 会在打开「版本」页或控制台主页时，向官网 http://www.yuturuishi.com/api/rebucca/checkVersion 发起一次版本检测请求，用于提示新版本。请求仅包含版本号、操作系统与运行环境信息（主机名、系统版本、IP、运行时长等），不含任何视频、账号、录像等业务数据。原先的周期性心跳上报已移除。如不想发起该请求，可在网络层面拦截。
• 免责：使用者应自行确保部署环境、所用模型与数据的合法性。rebucca 按「现状」提供，不作任何担保。