PeekingDuck

PeekingDuck 的核心理念是 pipeline-as-config：

``yaml nodes: - input.visual: source: webcam - model.yolo - draw.bbox - output.screen``

這個配置啟動後就是一個完整的"攝像頭 → YOLO 檢測 → 畫框 → 顯示"的即時 pipeline。框架內建 50+ 節點，覆蓋輸入（影片、攝像頭、圖片）、模型（YOLO、HRNet、PoseNet 等）、後處理（跟蹤、計數、ROI 過濾）、輸出（螢幕、檔案、訊息佇列）。

應用場景：智慧監控、人流分析、零售客戶行為、運動姿態分析、安全合規檢查（戴口罩、戴頭盔）。

PeekingDuck 在 CV 工具生態裡走了一條獨特路徑：不追求 SOTA 模型，追求"生產可用的最簡框架"。

業界已有 OpenCV、Detectron2、MMDetection 等強大的 CV 工具，但它們對小企業、學生、非 ML 專業開發者門檻太高。PeekingDuck 的目標是讓"懂 Python 但不懂深度學習"的開發者也能 30 分鐘搭出一個生產級 CV 應用。

技術上，它在底層封裝 PyTorch、TensorFlow 等框架，對外只暴露簡單介面。效能不是頂尖，但部署、除錯、維護成本遠低於自建 pipeline。

PeekingDuck 是 AISG"開源工具策略"的另一個產物——和 TagUI 一樣，定位是降低 AI 落地門檻。

在「七條傳導槓桿」裡：

• 槓桿 3（產業應用）：讓本地中小企業能用上 CV 技術
• 槓桿 6（外交）：開源專案作為新加坡 AI 輸出的載體

觀點：PeekingDuck 不是 AISG 最有名的專案，但它體現了 AISG 的工程哲學：做"夠用"的工具而不是 SOTA 工具。這種務實路線在新加坡這種小市場裡是合理的——不和 OpenCV、Meta 比規模，但在易用性上有差異化。