OpenProcessor
OpenProcessor es una API visual de IA auto-hospedada para detección de objetos, reconocimiento facial, embeddings CLIP, OCR y búsqueda vectorial. Usa FastAPI, NVIDIA Triton Inference Server y TensorRT para aceleración GPU. Incluye gestión de modelos, clustering FAISS y un subsistema experimental de
Ficha actualizada 26 sept 2026, 14:50 · upstream 26 sept 2026, 14:45 · release v0.3.0
Qué es OpenProcessor
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
OpenProcessor es una plataforma auto-hospedada diseñada para procesamiento visual de IA de alto rendimiento. Se basa en FastAPI, NVIDIA Triton Inference Server y TensorRT, ofreciendo una API REST unificada para detección de objetos (YOLO), reconocimiento facial (SCRFD, ArcFace), embeddings visuales (MobileCLIP), extracción de texto (OCR) y búsqueda vectorial. La arquitectura soporta múltiples perfiles de hardware, optimizando el uso de GPU mediante TensorRT para inferencia acelerada.
El repositorio incluye scripts de configuración automática que gestionan la descarga de imágenes Docker pre-construidas, detección de hardware y compilación de modelos a TensorRT. Ofrece endpoints para análisis combinado (YOLO + faces + CLIP + OCR), ingestión de datos masiva, clustering con FAISS y un subsistema experimental de curation activo para etiquetado y entrenamiento de modelos personalizados.
La plataforma está diseñada para entornos de producción o desarrollo avanzado, permitiendo la gestión dinámica de modelos en Triton (carga/descarga en tiempo real) y la integración con flujos de trabajo de IA complejos. Incluye herramientas de monitorización de salud, logs y comandos de gestión directa desde la línea de comando.
- Detección de objetos en tiempo real para sistemas de seguridad o vigilancia
- Reconocimiento facial para control de acceso biométrico o identificación de personas
- Búsqueda visual por imagen o texto para catálogos de productos o inventarios
- Extracción de texto desde documentos escaneados (OCR) para digitalización
- Clustering de imágenes para organización automática de archivos o álbumes
- Aprendizaje activo experimental para etiquetado y entrenamiento de modelos personalizados
- Aceleración GPU con TensorRT y soporte para múltiples perfiles de hardware (minimal, standard, full)
- API REST unificada con endpoints específicos para cada tarea visual (YOLO, faces, CLIP, OCR)
- Gestión dinámica de modelos en Triton con carga/descarga en tiempo real
- Subsistema experimental de curation activo con 109 rutas para etiquetado y entrenamiento
- Scripts de configuración automática que detectan GPU y optimizan perfiles
- Clustering FAISS integrado para búsqueda vectorial eficiente
- El subsistema de curation no tiene autenticación, compartiendo la misma superficie de seguridad que el resto de la API
- La primera instalación requiere ~30-60 minutos por la compilación de modelos a TensorRT (solo una vez)
- No incluye datasets propietarios ni modelos pre-entrenados en el repositorio (se deben descargar externamente)
- El perfil 'full' requiere GPUs con 48GB+ VRAM (ej. A6000, A100) para alcanzar ~50 RPS
- La funcionalidad de curation es experimental y está deshabilitada por defecto (requiere --profile curation)
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Recomendado usar `./scripts/setup.sh` para configuración automática con detección de GPU. Verificar salud con `curl http://localhost:4603/health`. Para producción, considerar perfiles 'standard' o 'full' según VRAM disponible. El subsistema de curation requiere activación explícita (`--profile curation`) y no incluye autenticación por defecto. Los modelos se exportan a TensorRT en primera ejecución (cachéada después). Asegurar suficiente espacio en disco (~20GB mínimo) para imágenes Docker y modelos.
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.