ChainGuard 图像特征提取服务

基于飞桨深度学习框架的图像特征提取与版权指纹服务

📋 目录

系统概述
核心功能
技术架构
安装指南
使用方法
API文档
部署指南
常见问题
贡献指南
许可证
鸣谢

🔍 系统概述

ChainGuard是一套专业的图像特征提取与版权保护方案，基于飞桨(PaddlePaddle)深度学习框架开发。系统利用ResNet50深度神经网络提取图像的高维特征向量，结合作品信息生成独特的版权指纹，可用于图像版权管理、溯源追踪、相似度比对和内容认证。

🌟 在线演示: https://app-s8zcofjc4dj6j3u4.aistudio-app.com/

应用场景

🖼️ 数字艺术品版权保护：为艺术创作提供独特指纹，方便版权追踪
📸 摄影作品溯源认证：确保摄影作品可追溯并防止未授权使用
🎨 NFT内容特征提取：为数字藏品提供唯一性验证
🔎 图像相似度比对：检测内容重复或抄袭行为
🛡️ 内容安全与防伪验证：防止图像伪造和盗用

✨ 核心功能

先进的特征提取：基于ResNet50提取2048维特征向量，支持细粒度图像特征识别
安全版权指纹：结合图像特征、作品标题和用户信息生成SHA256加密指纹
统一Web服务：集成Gradio交互界面与FastAPI接口于同一端口（8686）
优雅降级机制：无法加载预训练模型时自动启用备用特征提取网络
数据类型安全：全面确保跨平台一致性，解决float32/float64兼容问题
自动检测硬件：智能识别CUDA加速，在CPU和GPU环境均可高效运行
完整调试信息：提供详细日志与健康检查端点，易于问题诊断

🔧 技术架构

ChainGuard采用现代化多层架构设计：

┌──────────────────────────────────────────────┐
│                  用户层                       │
│  ┌────────────┐       ┌───────────────────┐  │
│  │ Gradio UI  │       │ 第三方客户端应用   │  │
│  └────────────┘       └───────────────────┘  │
└──────────────────────────────────────────────┘
                   │              │
                   ▼              ▼
┌──────────────────────────────────────────────┐
│                  接口层                       │
│  ┌────────────┐       ┌───────────────────┐  │
│  │ Web界面    │       │ REST API接口      │  │
│  │ (/)        │       │ (/extract_features)│  │
│  └────────────┘       └───────────────────┘  │
└──────────────────────────────────────────────┘
                        │
                        ▼
┌──────────────────────────────────────────────┐
│                  业务层                       │
│  ┌────────────┐   ┌─────────┐   ┌─────────┐  │
│  │ 图像预处理 │   │特征提取 │   │指纹生成 │  │
│  └────────────┘   └─────────┘   └─────────┘  │
└──────────────────────────────────────────────┘
                        │
                        ▼
┌──────────────────────────────────────────────┐
│                  模型层                       │
│  ┌────────────────────────────────────────┐  │
│  │      ResNet50 预训练模型               │  │
│  │   (备用: 自定义CNN特征提取网络)         │  │
│  └────────────────────────────────────────┘  │
└──────────────────────────────────────────────┘

📥 安装指南

环境要求

Python 3.7+
CUDA兼容GPU（可选，有助于加速处理）
2GB+ RAM

依赖组件

PaddlePaddle 2.5+：深度学习框架
Gradio 4.16+：Web界面组件
FastAPI 0.95+：REST API框架
Uvicorn：ASGI服务器
NumPy, Pillow：数据处理库

安装步骤

克隆代码库

git clone https://github.com/yourusername/chainguard-feature-extractor.git
cd chainguard-feature-extractor

创建虚拟环境（推荐）

# 使用venv
python -m venv venv

# Windows激活
venv\Scripts\activate

# Linux/Mac激活
source venv/bin/activate

安装依赖

pip install -r requirements.txt

验证安装

python -c "import paddle; print(f'PaddlePaddle版本: {paddle.__version__}')"
python -c "import gradio; print(f'Gradio版本: {gradio.__version__}')"

🚀 使用方法

在线演示

您可以访问我们的在线演示服务，无需安装任何环境： https://app-s8zcofjc4dj6j3u4.aistudio-app.com/

启动本地服务

ChainGuard采用统一服务模式，在单一端口提供Web界面和API：

# 默认端口启动(8686)
python feature_extractor.gradio.py

# 指定自定义端口
python feature_extractor.gradio.py --port 7860

Web界面交互

启动服务后，通过以下地址访问Web界面：

http://localhost:8686/

Web界面包含三个功能页面：

1. 图像特征提取

输入作品标题和作者信息
上传待分析图像
点击"提取特征"按钮
查看生成的特征向量和版权指纹

2. API测试

上传测试图像
填写标题和用户名
生成API请求JSON
执行API调用并查看结果

3. API文档

查看API调用规范
获取示例代码
了解响应格式

健康检查

系统提供健康检查接口，用于监控服务状态：

GET http://localhost:8686/health

响应示例：

{
  "status": "ok",
  "service": "ChainGuard",
  "version": "1.0.0"
}

📡 API文档

API端点

ChainGuard提供了一个主要的特征提取API端点：

POST http://localhost:8686/extract_features_ui
Content-Type: application/json

线上服务API端点：

POST https://app-s8zcofjc4dj6j3u4.aistudio-app.com/extract_features_ui
Content-Type: application/json

请求格式

{
  "image": "base64编码的图像数据",
  "title": "作品标题",
  "username": "用户名"
}

响应格式

成功响应：

{
  "status": "success",
  "features": [0.123, -0.456, ...],  // 2048维特征向量
  "features_length": 2048,
  "fingerprint": "a1b2c3d4e5...",  // SHA256指纹
  "timestamp": 1620000000.123
}

错误响应：

{
  "status": "error",
  "error": "错误描述"
}

API使用示例(Python)

import requests
import base64
import json

def extract_features(image_path, title="未命名", username="匿名用户"):
    # 读取并编码图像
    with open(image_path, "rb") as f:
        image_bytes = f.read()
  
    image_b64 = base64.b64encode(image_bytes).decode('utf-8')
  
    # 构造请求
    payload = {
        "image": image_b64,
        "title": title,
        "username": username
    }
  
    # 发送请求 - 使用在线服务地址
    response = requests.post(
        "https://app-s8zcofjc4dj6j3u4.aistudio-app.com/extract_features_ui",
        json=payload
    )
  
    return response.json()

# 使用示例
result = extract_features("path/to/image.jpg", "我的作品", "作者名")
print(f"指纹: {result['fingerprint']}")
print(f"特征向量长度: {result['features_length']}")

API使用示例(JavaScript)

async function extractFeatures(imageFile, title, username) {
    // 将图像转换为Base64
    const reader = new FileReader();
    reader.readAsDataURL(imageFile);
    const base64 = await new Promise(resolve => {
        reader.onload = () => resolve(reader.result);
    });
  
    // 提取base64数据部分
    const base64Data = base64.split(',')[1];
  
    // 构造请求数据
    const requestData = {
        image: base64Data,
        title: title || '未命名',
        username: username || '匿名用户'
    };
  
    // 发送API请求（使用绝对路径）
    const response = await fetch('https://app-s8zcofjc4dj6j3u4.aistudio-app.com/extract_features_ui', {
        method: 'POST',
        headers: {
            'Content-Type': 'application/json'
        },
        body: JSON.stringify(requestData)
    });
  
    return await response.json();
}

🌐 部署指南

本地部署

单命令启动完整服务：

python feature_extractor.gradio.py --port 8686

Docker部署

创建Dockerfile:

FROM python:3.9

WORKDIR /app

# 安装依赖
COPY requirements.txt .
RUN pip install -r requirements.txt

# 复制应用文件
COPY feature_extractor.gradio.py .

# 暴露端口
EXPOSE 8686

# 运行应用
CMD ["python", "feature_extractor.gradio.py", "--port", "8686"]

构建并运行Docker镜像:

docker build -t chainguard-feature-extractor .
docker run -p 8686:8686 chainguard-feature-extractor

云平台部署

AIStudio部署

当前服务已部署于百度AIStudio，访问地址：

https://app-s8zcofjc4dj6j3u4.aistudio-app.com

访问路径：

Web界面：https://app-s8zcofjc4dj6j3u4.aistudio-app.com/
API接口：https://app-s8zcofjc4dj6j3u4.aistudio-app.com/extract_features_ui
健康检查：https://app-s8zcofjc4dj6j3u4.aistudio-app.com/health

部署步骤：

在AIStudio创建新项目
上传代码文件
配置应用部署并选择对应资源
启动服务，系统将自动分配域名

Hugging Face Spaces

在Hugging Face创建新Space
选择Gradio作为SDK
上传feature_extractor.gradio.py和requirements.txt文件
设置环境变量PYTHON_ENABLE_FASTAPI=1

❓ 常见问题

安装问题

问题	解决方案
安装PaddlePaddle失败	根据官方安装指南选择适合您系统的版本
找不到CUDA	确保安装了兼容的NVIDIA驱动和CUDA工具包，或使用CPU版本的PaddlePaddle
依赖冲突	创建新的虚拟环境并按顺序安装依赖

运行问题

问题	解决方案
加载预训练模型失败	系统会自动使用备用模型。如需预训练模型，确保网络连接正常
类型错误(`float32`/`float64`不匹配)	已在代码中通过 `astype('float32')`解决此问题
内存不足	增加系统内存或减小批处理大小
摄像头功能无法使用	安装 `opencv-python`并确保浏览器授予摄像头权限

API问题

问题	解决方案
CORS错误	服务已配置允许跨域请求，检查客户端调用方式
请求超时	确认网络连接稳定，考虑增加客户端超时设置
空特征向量	确保图像正确上传且格式支持，检查图像质量
413错误(请求体积过大)	压缩图像或调整服务器配置

🤝 贡献指南

我们欢迎社区贡献代码、报告问题或提出新功能建议。请遵循以下步骤：

Fork项目到您的GitHub账户
创建功能分支：git checkout -b feature/amazing-feature
提交更改：git commit -m 'Add amazing feature'
推送分支：git push origin feature/amazing-feature
提交Pull Request

代码规范

遵循PEP 8编码风格
为新功能添加适当的文档
保持代码简洁明了
添加单元测试（如适用）

📄 许可证

本项目采用MIT许可证，详细信息请参见LICENSE文件。

🙏 鸣谢

PaddlePaddle - 提供深度学习框架
Gradio - 提供交互式界面支持
FastAPI - 提供高性能API框架
ResNet - 提供图像特征提取网络架构
百度AIStudio - 提供在线部署环境

立即体验在线演示

Name		Name	Last commit message	Last commit date
Latest commit History 3 Commits
LICENSE		LICENSE
README.md		README.md
feature_extractor.gradio.py		feature_extractor.gradio.py
logo.png		logo.png
requirements.txt		requirements.txt
run.bat		run.bat

License

panda-lsy/gradio-ChainGuard-feature_extractor

Folders and files

Latest commit

History

Repository files navigation