SmolVLM2-Edge-Vision-Agent

概要

SmolVLM2-2.2Bを搭載したエッジ展開可能なビジョンエージェントで、CPUのみのハードウェア（16GB RAM）で動作します。

ライブウェブカメラフィードまたは画像フォルダを入力として取り込み、モーション検出に基づいて継続的な視覚監視を実行します。

新しいオブジェクトの記述、画像からのテキスト読み取り（レシート、ホワイトボード、看板など）、および構造化された観察結果のログ記録が可能です。

観察結果はタイムスタンプ、サムネイル、説明、信頼度スコアとともにローカルのSQLiteデータベースに永続化されます。

ライブフィード、最新の観察結果、検索可能なログを備えたFastAPIウェブダッシュボードを提供し、完全にオフラインで動作するため、APIコストやネットワーク呼び出しは発生しません。

ホームセキュリティカメラ分析、ドキュメントデジタル化パイプライン、アクセシビリティツールなどのユースケースに適しています。

GitHub: https://github.com/dakshjain-1616/SmolVLM2-Edge-Vision-Agent