# tcb_yolo

**Repository Path**: endless-edge/tcb_yolo

## Basic Information

- **Project Name**: tcb_yolo
- **Description**: 使用yolo进行火焰或者刀具的实时检测
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-16
- **Last Updated**: 2026-03-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 目标检测服务

这是一个基于 YOLO 和 RabbitMQ 构建的工业级实时视频流目标检测系统。
针对传统脚本化检测程序中的“网络阻塞导致 MQ 崩溃”、“多路视频流相互干扰”以及“检测频率不固定”等痛点进行了深度重构与架构优化。


## ✨ 核心特性

* **⚡️ 极速异步拉流 (Zero-Latency)**：抛弃 OpenCV 传统阻塞式读取，采用独立守护线程维护流状态，确保推理引擎拿到的永远是“绝对最新帧”，杜绝历史帧堆积延迟。
* **🛡️ 队列防爆防崩溃 (Backpressure)**：针对 RabbitMQ 大负荷推送容易断连的痛点，引入了极限图像压缩（动态 Resize + 质量压降）与带背压机制的异步发送队列，告警消息体积骤降 90%，心跳稳如泰山。
* **⏱️ 严格节拍控制 (Strict FPS)**：解耦推理耗时与检测间隔。通过智能补偿休眠算法，确保系统严格按照设定的频率（如 10 FPS）进行周期性检测。
* **📈 弹性流并发 (Dynamic Batching)**：彻底废除“死板凑数”的并发逻辑。系统自动根据配置的视频源数量动态调整 GPU 的 Batch Size（配2路跑2路，配5路跑5路），杜绝任何算力浪费。

## 📂 目录结构

```text
yolo_video_service/
├── config/
│   └── settings.py         # 全局配置中心 (流地址、告警阈值、MQ账号等)
├── core/
│   ├── stream_manager.py   # 视频流生命周期与异步帧缓存管理
│   ├── detector.py         # YOLO 模型加载与 Batch 推理黑盒封装
│   └── mq_publisher.py     # RabbitMQ 异步高可用发送引擎
├── utils/
│   ├── logger.py           # 双向日志记录器 (Console + File)
│   └── image_utils.py      # 极限图像压缩与 Base64 编码工具
├── requirements.txt        # 依赖清单
├── main.py                 # 系统入口与节拍调度中枢
└── README.md               # 项目文档
```

## ⚙️ 环境依赖与安装

1. **基础环境要求**
   * Python 3.8+
   * 具备可用 GPU 且已正确安装 CUDA 驱动（如果是 Jetson 设备请确保 TensorRT 环境正常）。
   * 可用的 RabbitMQ 服务。

2. **克隆/创建项目并安装依赖**
   建议使用虚拟环境 (`venv` 或 `conda`) 隔离依赖：
   ```bash
   python -m venv venv
   source venv/bin/activate  # Linux/Mac
   # venv\Scripts\activate   # Windows
   
   pip install -r requirements.txt
   ```

   *注：如果你使用的是 `best.engine` (TensorRT 模型)，请确保你的 `ultralytics` 运行环境已经配置了正确的 TensorRT 运行时。*

## 🚀 配置与运行

### 1. 修改配置文件
打开 `config/settings.py`，根据实际情况修改以下核心参数：

* `MODEL_PATH`: 模型路径（建议使用 `.engine` 或 `.pt`）。
* `RTMP_SOURCES`: 填入你的视频流地址。**列表里填几个，系统就会自动并发处理几个**，无需强行补齐。
* `MQ_HOST`, `MQ_PORT` 等: 你的 RabbitMQ 服务器连接信息。
* `TARGET_FPS`: 期望的系统循环帧率（决定了多久取一次帧送入模型）。
* `MESSAGE_COOLDOWN`: 同一个摄像头检测到同一个目标后，多少秒内不再重复发送包含图片的告警。

### 2. 启动服务
在项目根目录下直接运行：
```bash
python main.py
```

### 3. 查看日志与运行状态
系统启动后，你将在控制台看到类似如下的输出：
```text
[2024-05-20 10:00:00] {logger.py:30} INFO - Starting YOLO Video Inference Service...
[2024-05-20 10:00:01] {mq_publisher.py:45} INFO - Successfully connected to RabbitMQ.
[2024-05-20 10:00:02] {detector.py:25} INFO - YOLO model loaded successfully.
[2024-05-20 10:00:02] {stream_manager.py:32} INFO - [101] Stream reader started for source: rtmp://...
[2024-05-20 10:00:03] {main.py:60} INFO - Entering main inference loop. Target FPS: 10
```
完整的运行日志也会同步追加保存至 `app.log` 文件中。

## 🛑 停止服务
程序内置了优雅停机（Graceful Shutdown）机制。
直接在终端按下 `Ctrl + C`，系统会：
1. 安全停止所有拉流子线程，释放 OpenCV 底层连接。
2. 清空并关闭 RabbitMQ 发送队列。
3. 安全退出主程序。
```