> 纯 Java 8+ · 零 Python 进程 · 零 PyTorch · 纯 ONNX Runtime · Apache 2.0 商用友好

## 一、Java 工程师的 AI 痛点

做业务系统的 Java 同学多少都遇到过这些需求：

- 用户注册要**人脸认证**，上传证件要**头像提取**
- 文件上传要识别**真实文件类型**（不能只看后缀名），档案系统要**文档版面分析**
- 图片要**抠图**、要**超分**、要**人像分割**
- 停车场要**车牌识别**，验证码要**自动识别**……

传统的路子只有两条：要么调云端 API（数据出域、按次收费、网络延迟），要么自己搭一套 Python 推理服务（FastAPI + PyTorch + CUDA，运维成本直接翻倍）。

**mica-ai 想解决的就是这件事：让 Java 工程师在自己的 JVM 里，把 AI 能力当积木用。**

## 二、mica-ai 是什么

mica-ai 是一套**纯 Java 8+ 的本地 AI SDK**，所有模型都以 ONNX 格式随仓库分发，通过 [ONNX Runtime](https://onnxruntime.ai/) 在 JVM 内推理：

- **零 Python**：不 spawn 任何 Python 进程，不依赖 PyTorch / Paddle
- **零云端**：数据不出服务器，无按次计费，内网可部署
- **小模型**：除文档版面模型（125MB 外置）外，入库模型全部小于 50MB，最小仅 2.33MB
- **商用友好**：全部依赖模型为 Apache 2.0 / MIT / BSD 等可商用协议，README 逐个列明
- **两种用法**：核心模块零 Spring 依赖可裸用，另有 13 个 Spring Boot Starter 开箱即注

## 三、13 个能力模块一览

| 模块 | 能力 | 底层模型 | 入库大小 |
|------|------|----------|----------|
| mica-ai-face | 人脸检测 / 128d 特征 / 活体 / 头像证件提取 | YuNet + SFace + MiniFASNetV2 | 各 <5MB |
| mica-ai-filetype | 文件类型识别（214 类） | Google Magika standard_v3_3 | ~10MB |
| mica-ai-plate | 中国车牌检测 + 识别 + 判型 | HyperLPR3 | 各 <5MB |
| mica-ai-layout | 文档版面分析 + 阅读顺序 | PP-DocLayoutV3 | 125MB（外置） |
| mica-ai-matting | U²-Net 族通用抠图 | u2netp | 4.36MB |
| mica-ai-humanseg | 人像分割 | PP-HumanSeg V2-Lite | 5.88MB |
| mica-ai-textline | 文本行方向分类（0°/180°） | PP-LCNet_x1_0 | 6.46MB |
| mica-ai-classify | PULC 通用图像分类（Top-K / 多标签） | text_image_orientation 等 4 个 | 4–7MB |
| mica-ai-detect | 通用目标检测（COCO 80 类） | NanoDet-Plus / YOLOX-s | 3.6 / 34MB |
| mica-ai-track | ByteTrack 多目标跟踪（纯算法，零模型） | — | 0MB |
| mica-ai-docalign | 文档角点检测 + 透视矫正 | DocAligner lcnet100 | 4.55MB |
| mica-ai-enhance | 图像 4 倍超分（tile 推理） | Real-ESRGAN | 2.33MB |
| mica-ai-captcha | 通用验证码识别（CRNN + CTC） | ddddocr | 12.98MB |

这些模块不是玩具：每个模块的集成测试都会**加载真实 ONNX 模型跑完整推理**，兼作 I/O 契约回归，保证模型可加载、输出合理。

## 四、像搭积木一样组合

每个能力独立成模块、独立引依赖，**用哪个引哪个**。更妙的是，能力之间可以自由拼接出真实业务场景：

- **人脸认证流水线**：`detect`（人脸检测）→ `classify`（图像清晰度评估）→ `face`（128d 特征比对 + 活体）
- **档案数字化**：`docalign`（文档透视矫正）→ `enhance`（超分增强）→ `layout`（版面分析 + 阅读顺序）
- **图片上传治理**：`filetype`（真实文件类型）→ `classify`（方向转正）→ `matting`（头像抠图）
- **安防监控**：`detect`（目标检测）→ `track`（ByteTrack 跨帧跟踪）→ `humanseg`（人像分割）

核心模块零 Spring 依赖，`try-with-resources` 即用即关：

```java
try (FaceEngine engine = new FaceEngine(
        FaceConfig.builder()
                .modelPath("model-tools/face/models")
                .build())) {

    FaceResult result = engine.detect(mat);
    float[] feature = engine.extractFeature(mat, result);
    // 128 维向量入库，后续用余弦相似度比对
}
```

Spring Boot 项目则更简单，引入 starter 后自动装配：

```yaml
mica:
  ai:
    face:
      model-path: model-tools/face/models
```

```java
@Autowired
private FaceService faceService;
```

## 五、示例工程跑起来看效果

mica-ai-example 是一个完整的 Spring Boot 示例工程，13 个能力全部有可视化页面——上传图片即测，人脸认证模块还带摄像头实时演示（活体 + 动作配合），图像超分模块支持拖拽上传 + 前后对比滑块。

启动方式：

```bash
mvn -DskipTests install
cd mica-ai-example && mvn spring-boot:run
```

浏览器打开 `http://localhost:8080` 即可逐个体验（文中示例截图均来自该页面）：

![人脸认证](https://developer.qcloudimg.com/http-save/yehe-10829621/9f47b720712191ad0bf3fa2b130f92f4.png)
![证件照生成](https://developer.qcloudimg.com/http-save/yehe-10829621/f338403c1793898766864c72a6e38544.png)
![图像超分优化修复](https://developer.qcloudimg.com/http-save/yehe-10829621/210017ac688545f531dfaa1c184c42e6.png)
## 六、几个工程细节（Java 同学关心的）

- **模型随仓库分发**：clone 下来即可跑，无需下载脚本；超 50MB 的模型放到了网盘，缺失时测试自动跳过
- **同族模型可插拔**：契约一致的同族模型（如 U²-Net 族、PP-LCNet 轻量版）只改 `model-path` 即可切换，不改代码
- **fail-fast 校验**：模型路径必填、字符集与模型成对配置，配置错误启动即报错，绝不输出乱码结果
- **JDK 8 兼容**：最低 Java 8，适配存量业务系统；Spring Boot 2.7.x

## 七、适用场景与不适用场景

**适合**：内网/私有化部署、数据不能出域、中等并发、不想养 Python 团队的 Java 业务系统。

**不适合**：需要大模型（LLM）、需要 GPU 集群级吞吐的训练场景——mica-ai 定位是「本地小模型能力件」，需要 GPU 时 ONNX Runtime 也可切换 CUDA，但架构目标是轻量落地。

## 八、链接

- GitHub: https://github.com/lets-mica/mica-ai
- GitCode: https://gitcode.com/mica/mica-ai
- Gitee：https://gitee.com/dreamlu/mica-ai

如果对你有用，欢迎 Star 支持；有需要添加的模型也欢迎反馈；Issue 和 PR 也随时欢迎。

纯 Java 8+ · 零 Python 进程 · 零 PyTorch · 纯 ONNX Runtime · Apache 2.0 商用友好

mica-ai：纯 Java 本地 AI 推理 SDK，13 个能力模块自由拼装

人工智能

mica-ai：纯Java8本地AI SDK，零Python零云端，基于ONNXRuntime实现13种AI能力，含人脸检测、车牌识别、图像超分、目标跟踪等，模型最小2.33MB，全部Apache2.0商用友好，适配内网部署与SpringBoot集成。

网络延迟

代码解释

集成测试

车牌识别

验证码

服务器

Python

GitHub

Java

一键玩转AI人脸特效，新用户14.9元起


人脸识别10万次资源包新用户19.9元起


facerecognition

4核4G3M云服务器 新用户低至38元/年！

让每一个 Agent，都跑在云上

captcha

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

mica-ai：纯 Java 本地 AI 推理 SDK，13 个能力模块自由拼装-腾讯云开发者社区-腾讯云

mica-ai：纯 Java 本地 AI 推理 SDK，13 个能力模块自由拼装

mica-ai：纯 Java 本地 AI 推理 SDK，13 个能力模块自由拼装

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐