openplate-inference
Proyecto openplate-inference: escáner de platos con fotos y estimación de porciones usando llama.cpp + modelos VLM de peso abierto, API compatible OpenAI, sin necesidad de API key ni registro.
Ficha actualizada 23 sept 2026, 12:06 · upstream 23 sept 2026, 11:42 · release sin release detectada
Qué es openplate-inference
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
openplate-inference es una herramienta que permite identificar alimentos y estimar sus porciones mediante fotografías. Se ejecuta en un contenedor único con el motor de inferencia (llama.cpp) y la capa de visión integrada. No requiere claves API, cuentas o registros. La imagen se descarga una vez al inicio y se resume en 200 MB. Es compatible con llama.cpp, Ollama y vLLM.
- Identificar alimentos y estimar porciones para dietas personales sin necesidad de recetas
- Control de porciones en eventos sociales o reuniones familiares
- Ahorro calórico mediante conteo manual de porciones antes de comer
- Generación de listas de comidas con macros aproximadas desde una foto
- Entorno doméstico: uso local sin conexión a internet ni claves API
- Modelos VLM de peso abierto (llama.cpp) que no requieren claves API ni registro
- API compatible OpenAI, permitiendo integración con cualquier cliente que soporte el protocolo
- Contenedor único con llama.cpp y capa de visión integrada en un solo contenedor
- Soporte para GPU NVIDIA mediante offloading automático sin parámetros adicionales
- Profilo 'lite' optimizado para CPU (2.0 GB RAM) y perfil 'quality' para GPU
- Base URL configurable que se escanea directamente desde el dispositivo, manteniendo privacidad
- La estimación de porciones proviene de una base de datos externa; no es una predicción automática basada en la imagen
- El modelo 'lite' consume ~2 GB de RAM y puede ser lento en entornos con recursos limitados
- No soporta modelos VLM que requieran GPU (vLLM CPU build no compatible)
- La privacidad del plato se garantiza al escanearlo, pero la imagen nunca sale del contenedor
- El modelo 'lite' puede ser lento en entornos con baja latencia requerida
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instalación mínima: docker run -d --name openplate-inference -p 8300:8300 -v openplate-models:/models -e MODEL_PROFILE=lite ghcr.io/lowcarbcheck/openplate-inference:latest. Para GPU: add '--gpus all' y usar 'quality'. La imagen se descarga una vez (~2 GB). Se recomienda un proxy o redirección para exponer el puerto 8300 desde la red local.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.