quick-start

description: Cinfer 快速入门指南。了解如何通过 Docker 部署通用 Vision AI 推理软件，管理 ONNX 模型并集成标准 OpenAPI 服务进行图像识别。 keywords: [Cinfer, Vision AI, ONNX, Docker 部署, 模型管理, AI 推理, OpenAPI, 快速入门, 计算机视觉, 边缘计算] tags: [Cinfer, AI推理, 快速入门, Docker, 教程]

Quick Start

Cinfer CamThink AI Inference Service

简介

Cinfer是CamThink面向开发者社区开放的通用性Vision AI推理软件，它支持用户执行部署Vision AI推理服务以及提供模型管理，并对外提供标准的OpenAPI服务，适合作为视觉应用开发的图像识别AI组件进行集成，用于调用各种模型来完成图像识别，它具有轻量化、简单的特点，适合快速添加模型进行部署和项目集成。

项目技术栈

后端：Python, FastAPI, SQLAlchemy, ONNX Runtime
前端：React, TypeScript
容器化：Docker, Docker Compose
Web服务器：Nginx

模型支持

当前仅支持ONNX模型管理及部署，适用于以下ONNX模型任务，如果需要进行模型训练可见「yolo模型训练」，软件操作可见「操作指南」

模型类型	备注
分类（Classification）	支持常见图像/视频分类模型，如动物/物品/场景识别等
检测（Detection）	支持目标检测模型（如YOLO、SSD）进行物体定位和分类
分割（Segmentation）	支持图像分割模型（如语义分割、实例分割，用于区域分割、车道线等）
OCR	支持文本检测与识别模型，针对图片中的文字提取
其他自定义ONNX模型	支持符合ONNX标准的自定义AI模型（如特定场景算法、特色推理等）

安装与使用

环境准备

请确认已安装如下环境：

Docker Engine（推荐版本 20.10.0 及以上），安装详见文档「Install Docker Engine 」
Docker Compose（推荐版本 v2.0.0 及以上），安装详见文档「Install Docker Compose」
如需使用GPU推理，请确保已正确安装 NVIDIA相关驱动和 NVIDIA Docker 支持，安装详见文档「Install NVIDIA Docker」

项目代码下载

克隆项目到计算机本地

git clone https://github.com/camthink-ai/cinfer.git

Cinfer CamThink AI Inference Service 安装成功后进入项目文件夹

cd cinfer

使用部署脚本安装

项目提供了一个灵活的部署脚本，文件在根目录下，名称为 deploy.sh ，支持多种部署方式和配置选项，安装和管理命令如下。

# 查看脚本指令
./deploy.sh

# 使用GPU部署
./deploy.sh --gpu yes

# 自定义端口
./deploy.sh --backend-port 8000 --frontend-port 3000

# 指定后端主机
./deploy.sh --host 192.168.100.2

使用deploy.sh脚本进行安装，运行下方命令行安装项目Docker，如果需要其他配置运行请直接运行deploy.sh来查看命令。

执行前请注意检查你本地的3000端口以及8000端口是否有冲突

./deploy.sh --backend-port 8000 --frontend-port 3000

Docker Install

安装完成后即可通过下方地址访问服务：

Frontend (Local): http://localhost:3000
Backend API (Local): http://localhost:8000/api
Backend API (LAN): http://:8000/api
Backend API (Container): http://backend_cinfer:8000/api
Swagger Documentation: http://localhost:8000/docs

快速使用

1.注册超级管理员

打开浏览器，输入地址「http://localhost:3000」，访问前端项目，进入初始化管理员设置页，在页面中设置项目的管理员账号及密码，设置成功后进行账户登录进入管理页

2.登录用户

输入设置好的管理员账号和密码，点击登录进入系统页面

3.进入首页

登录成功进入Dashboard，这里可以查看服务的资源占用情况

4.查看模型管理

点击 Model Management 菜单，查看模型列表，当前项目内置了一个OCR模型，我们可以进一步测试这个模型来验证服务是否正常，首先我们需要点击此默认模型右侧的「Publish」按钮进行模型发布，先新增一个Toke，查看下方流程

5.新增接口请求Token

点击 Token Management 菜单，查看Token列表，外部服务必须获取Token才可请求模型接口，点击「Add」按钮，填写表单，输入Token名称，在Model Permissions中下拉选择All Models Selection来设置此Token可访问的模型范围，设置完成后点击「Save」，在弹窗中点击「Copy」按钮复制Token

服务测试

获取模型列表：先用下方命令获取当前模型列表，YOUR_ACCESS_TOKEN替换为你配置的Token，在命令行中输入下方curl命令进行测试，可以获取到当前已发布的内置模型Camthink-OCRv1，我们可以进一步调用接口来查看模型基本信息详情。

curl -X 'GET' \
  'http://localhost:8000/api/v1/models?page=1&page_size=10' \
  -H 'accept: application/json' \
  -H 'x-access-token: YOUR_ACCESS_TOKEN'

请求成功后可以查看到当前所有已发布的模型列表信息，你可以进一步通过下方接口来获取模型的详情。 ciner-model-list 获取模型详情：接下来我们将调用模型详情接口来获取模型详细信息，model_id用我们前面通过请求模型列表获取到的模型id信息填入，填入你想要查看的模型id，进行下方请求。

curl -X 'GET' \
  'http://localhost:8000/api/v1/models/{model_id}' \
  -H 'accept: application/json' \
  -H 'x-access-token: YOUR_ACCESS_TOKEN'

请求成功后，可以查看 ciner-model-info

请求模型推理：现在通过模型详情接口我们可以知道模型的输入和输出参数是什么，我们可以根据模型所需的输入参数和输出参数来传递图像来请求AI模型进行图像识别，下方是测试curl，我们可以将YOUR_ACCESS_TOKEN进行替换，并且设置inputs参数，填入目标图像地址以及其他参数来进行一次图片AI推理请求。

curl -X 'POST' \
  'http://localhost:8000/api/v1/models/Camthink-OCRv1/infer' \
  -H 'accept: application/json' \
  -H 'x-access-token: YOUR_ACCESS_TOKEN' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {
      "image": "https://www.camthink.ai/resource/2025/07/CamThink-brand-launch_1000x560.jpg",
      "conf_threshold": 0.7
    },
    "parameters": {},
    "priority": 0
  }'

可以看到下方请求，接口返回了OCR的识别结果以及每一行的文本内容和box相对于图像像素的坐标位置box，你可以在你的应用界面上绘制它。 ciner-model-infer ciner-model-infer-draw 现在你已经完成Cinfer的基本使用教程，可以开始在你的应用程序上对他进行集成。

应用开发

接口对接

可以通过 http://localhost:8000/docs 查看API文档，进行应用集成对接 ciner-api-doc

BeaverIoT集成

BeaverIoT已经集成了Cinfer推理服务，具体使用详见文档「Beaveriot Integration」

操作指南

软件详细说明及操作使用详见「User Guide」

其他命令

多实例部署

# 部署生产环境
./deploy.sh --name prod --gpu yes

# 同时部署开发环境
./deploy.sh --name dev --backend-port 8009 --frontend-port 3009

管理实例

# 停止实例
./deploy.sh --name prod --action down

# 重启实例
./deploy.sh --name dev --action restart

# 查看日志
./deploy.sh --name prod --action logs

部署脚本选项

选项	长选项	说明	默认值
	--arch	指定 GPU 架构: `x86_64` 或 `jetson`。	自动检测
`-g`	`--gpu`	是否使用GPU: yes 或 no	no
`-b`	`--backend-port`	后端服务端口	8000
`-f`	`--frontend-port`	前端服务端口	3000
`-n`	`--name`	实例名称	default
`-a`	`--action`	操作: up(启动), down(停止), restart(重启), logs(查看日志), build(构建)	up
`-h`	`--host`	后端主机名或IP地址	backend
`-r`	`--rebuild`	是否重新构建镜像: yes 或 no	no

手动配置

如果需要手动配置部署，可以参考以下步骤：

后端配置

后端环境变量在backend/docker/prod.env文件中配置，主要包括：

服务器配置（主机、端口、工作进程数）
数据库配置（类型、连接信息）
日志配置
安全配置（JWT密钥等）
模型存储配置

前端配置

前端通过Nginx配置API代理，配置文件位于web/nginx.conf。

数据持久化

数据存储在以下位置：

后端数据：挂载到容器的/app/data目录
数据库：默认使用SQLite，存储在/app/data/cinfer.db
模型文件：存储在/app/data/models目录

访问服务

部署完成后，可通过以下地址访问服务：

分离部署：
- 前端：http://<主机IP>:<前端端口>（默认为3000）
- 后端API：http://<主机IP>:<后端端口>/api（默认为8000）
- Swagger文档：http://<主机IP>:<后端端口>/docs
集成部署：
- 应用：http://<主机IP>:<集成端口>（默认为8080）
- API：http://<主机IP>:<集成端口>/api
- Swagger文档：http://<主机IP>:<集成端口>/docs

常见问题

1. 容器无法启动

检查Docker日志以获取详细错误信息：

docker logs <容器ID或名称>

2. 前端无法连接后端API

确保Nginx配置中的proxy_pass指向正确的后端地址和端口。

3. GPU支持问题

确保主机已正确安装NVIDIA Docker支持，并且GPU驱动版本兼容。

4. 修改代码后需要重新构建

如果修改了Dockerfile或源代码，需要使用--rebuild yes参数重新构建镜像：

./deploy.sh --rebuild yes

Quick Start

简介​

项目技术栈​

模型支持​

安装与使用​

环境准备​

项目代码下载​

使用部署脚本安装​

快速使用​

1.注册超级管理员​

2.登录用户​

3.进入首页​

4.查看模型管理​

5.新增接口请求Token​

服务测试​

应用开发​

接口对接​

BeaverIoT集成​

操作指南​

其他命令​

多实例部署​

管理实例​

部署脚本选项​

手动配置​

后端配置​

前端配置​

数据持久化​

访问服务​

常见问题​

1. 容器无法启动​

2. 前端无法连接后端API​

3. GPU支持问题​

4. 修改代码后需要重新构建​

简介