VisionCull Pro 深度测评：本地 AI 选片，婚礼跟拍废片能筛掉多少？

GitHub：https://github.com/YuChiHuaCheng/vision-cull-pro ⭐ 64
许可证：见仓库（GitHub 页面未标注 SPDX，使用前请读 LICENSE 文件）

👤 测评人背景

我偶尔接活动跟拍和婚礼副机位的活——每次回家面对两三千张 JPG，最耗时间的不是 Lightroom 调色，而是 先筛掉跑焦、闭眼、过曝的废片。手选三小时是常态，眼睛看到后面会「宽容度变高」，漏掉的闭眼照到交付时才发现，比前期多筛十分钟更伤客户关系。试过 AfterShoot 订阅版，也试过云端人脸 API——前者要持续付费，后者涉及客户原片上传，隐私条款我得跟新人解释半天。VisionCull Pro 在 GitHub 上 Stars 不多（64），但卖点是 YuNet + OCEC ONNX 完全本地跑、原片不上云、输出 Lightroom 可读的 XMP 星级。我按仓库 README 和 Issues 把它拆开看：哪些场景真能省时间，哪些别指望。

🎯 先说结论

VisionCull Pro 是一款 本地 AI 初筛工具，面向婚礼、活动、跟拍等高量人像场景。它用 YuNet 做人脸检测、OCEC 做闭眼识别，再结合跑焦/模糊/曝光规则，把照片分为 保留（Keep）、淘汰（Reject）、待复核（Needs Review） 三类——策略偏保守，不确定的进复核队列而不是直接删。筛选结果写进 XMP 星级标签，你在 Lightroom 里按星排序继续精修，不替代 LR，而是补它缺失的 AI 初筛。

架构是 Electron + React 前端 + Python 图像分析器后端，Mac/Win/Linux 三平台。安装需要 Node.js 18+ 和 Python 3.10/3.11（推荐 uv 管理），RAW 依赖 exiftool。v1 是 本机稳定版，无签名安装包，人像场景优化，风景/静物较弱，不支持 GPT-4V 等云端语义理解，也 暂不支持视频截帧。

适合每次出片数百张以上、注重隐私、已有 Lightroom 工作流的摄影师；若你单次不足 50 张或主要拍风光，手动筛更快。我的决策句：你一个月至少两次面对 500 张以上人像原片、且不愿把客户照片上传云端，值得花一个下午搭环境试 VisionCull Pro；若想要签名安装包、一键订阅、或需要「表情是否自然」这类语义判断，先看 AfterShoot 或继续手选。

📦 VisionCull Pro 是什么？

VisionCull Pro 解决的是 高量照片初筛 这一环：不是帮你调色、不是 AI 修图，而是在你打开 Lightroom 之前，先把明显废片标记出来。核心引擎是本地 ONNX 模型——YuNet 人脸检测 + OCEC 闭眼识别——配合跑焦/模糊/曝光启发式规则。所有推理在你电脑上完成，原片不会上传到任何服务器，也不需要登录账号或订阅。

输出是 兼容 Lightroom 的 XMP sidecar 星级：VisionCull Pro 只写元数据，不改动像素。你在 LR 里按 1–5 星排序，淘汰的可以直接跳过，保留的进入精修——工作流是「VisionCull 初筛 → Lightroom 精修 → 交付」，不是替换整个后期链。

简单了解：它常被和 AfterShoot（订阅 + 更成熟 UI）、Excire（Lightroom 插件生态）、纯手选并列讨论。VisionCull Pro 的差异在于 完全开源本地 + 保守复核策略 + 无云端 GPT-4V——能力边界更窄，但隐私边界更清晰。

📷 配图待补：VisionCull Pro GitHub 首页与项目说明（落盘名：visioncull-homepage.png）

📷 配图待补：创建项目与选择文件夹的主界面（落盘名：visioncull-main-ui.png）

📷 配图待补：文件夹 → 本地 ONNX 分析 → Keep/Reject/Review → XMP 星级 → Lightroom，全流程示意（落盘名：visioncull-schematic-overview.png）

[照片文件夹 / JPG·PNG·RAW]
    ↓ YuNet 人脸检测 + OCEC 闭眼
    ↓ 跑焦 / 模糊 / 曝光规则
[Keep · Reject · Needs Review]
    ↓ 写入 XMP 星级
[Lightroom 按星排序精修]

🧩 VisionCull Pro 有哪些功能？

总起：VisionCull Pro 不做语义级理解（「这张表情是否自然」「构图是否有故事」），它做的是 可规则化、可本地 ONNX 执行的质量检测。人像正面、光线充足时效果最好；侧脸、墨镜、极端低光是已知弱项。

功能特色一览

项目创建与批量分析

启动应用后新建项目，选择婚礼或活动当天的照片文件夹。点击分析，Python 后端依次对每张照片跑 ONNX 推理。对我这种一次 1500–2500 张的人来说，价值在于 启动后可以去冲咖啡——回来先看三类结果分布，而不是在 LR 里一张张放大看眼睛。文档未给出固定耗时数字，本稿 不编造测速；实际速度取决于 CPU/GPU 与照片分辨率。

📷 配图待补：选择文件夹与开始分析按钮（落盘名：visioncull-feature-project.png）

Keep / Reject / Needs Review 三分法

这是 VisionCull Pro 和「激进 AI 删片」工具的核心差异。OCEC 在正面肖像、光线充足时闭眼检测较准；侧脸、墨镜、极端低光可能漏检——这些会进 Needs Review 而不是 Reject。我宁可复核队列长一点，也不要 AI 把唯一一张「新人看镜头」的闭眼误杀。阈值可在设置里调节，默认偏保守。

📷 配图待补：三类结果分布与 Needs Review 队列（落盘名：visioncull-feature-review.png）

XMP 星级与 Lightroom 衔接

分析完成后，VisionCull Pro 把结果映射为 XMP 星级。打开 Lightroom，按星级排序：低星跳过，高星精修。它不替代 LR 的调色、裁剪、皮肤修饰——只是 前置初筛。和 Excire 的 AI 关键词不同，VisionCull 专注「能不能用」，不帮你打「微笑」「拥抱」标签。

📷 配图待补：XMP sidecar 写入与 Lightroom 星级排序（落盘名：visioncull-feature-xmp.png）

🧠 核心逻辑：它为什么不一样？

云端人脸 API（如 AWS Rekognition）强在 语义理解 + 规模，代价是原片上传、按次付费、隐私条款。AfterShoot 强在 成熟产品化 + 订阅省心，代价是持续费用和数据政策。VisionCull Pro 走的是 本地 ONNX + 保守规则 第三条路：

1. 检测层：YuNet 找脸，OCEC 判闭眼——模型小、可 CPU 跑、无网络依赖
2. 规则层：跑焦/模糊/曝光用启发式阈值，边缘情况不进 Reject
3. 交接层：XMP 星级写入，把决策权还给你和 Lightroom

FAQ 写得很清楚：它 不支持 GPT-4V 等高级视觉模型，所以「表情是否自然」「构图是否有故事」它管不了——这不是 bug，是 v1 的产品边界。和云端 API 比，本地 ONNX 的能力上限更低，但隐私下限更高。

机制层怎么选：婚礼人像主场次用 VisionCull 初筛；风景、产品静物场次别指望它——README 明确说 人像优化、风景弱。阈值拿不准时，先把 Reject 设严、让 Needs Review 变宽，人工过一遍复核队列再进 LR。

📷 配图待补：YuNet + OCEC 本地推理 vs 云端 API 的数据流对比（落盘名：visioncull-architecture-flow.png）

⚔️ VisionCull Pro 和 AfterShoot、Excire 有什么区别？

选型句：要 原片绝对不上云 + 已有 Lightroom 流程，优先试 VisionCull Pro；要 签名安装包和更全 AI 检测、愿意订阅，AfterShoot 更贴；量小（<50 张）或主要拍风光，手选 往往比搭 Node/Python 环境更快。Excire 适合要在 LR 里做 AI 关键词的人，和 VisionCull 的「初筛废片」是不同环节，可以串联。

📷 配图待补：本地 ONNX 初筛 vs 订阅选片 vs 手选，三种工作流对照（落盘名：visioncull-vs-competitor.png）

🧪 我实际跑下来的体验

说明：下列内容综合 GitHub README、Issues 与仓库文档口径。Stars 64 说明项目仍早期；我未在撰写当日对 2000 张婚礼原片做完整计时 benchmark——不编造测速，凡涉及耗时均标为「取决于机器与分辨率」。

✅ 好的方面

1. 原片不上云，隐私叙事站得住

婚礼、活动摄影的客户最关心「照片会不会传到别人服务器」。VisionCull Pro 本地 ONNX 推理，不需要 API Key、不需要登录——这点对隐私敏感订单是硬需求，不是锦上添花。

2. 保守三分策略降低误删焦虑

Needs Review 队列的设计符合真实工作习惯：AI 不确定的交给人，而不是 aggressive delete。FAQ 坦诚侧脸/墨镜/低光会漏检——诚实边界比「99% 准确率」营销有用。

3. XMP 星级无缝进 Lightroom

不强迫你学新精修软件。写完 sidecar 打开 LR 按星排序，和现有后期流程咬合。VisionCull 是前置，不是替代。

4. 跨平台 + 开源可审计

Mac/Win/Linux，Electron + Python 架构透明。Stars 不多但代码可自己读——对不信任黑盒 AI 删片的摄影师，「能看源码」本身是信任来源。

5. 人像场景检测链路清晰

YuNet + OCEC 是成熟 ONNX 组合，正面肖像、正常光线下闭眼检测有文档和 Issues 支撑。不是云端 GPT-4V 那种「说不清怎么判」的黑盒。

❌ 不好的方面

1. v1 无签名安装包，搭环境是真实门槛

需要 Node.js 18+、Python 3.10/3.11（推荐 uv）、RAW 还要 exiftool。macOS 首次启动可能弹安全警告，得去系统设置放行——对「只想双击安装」的摄影师，AfterShoot 友好得多。

2. 风景/静物场景几乎帮不上忙

README 明确 人像优化、风景弱。拍风光、产品、美食的创作者，VisionCull Pro 不是给你用的，别浪费时间搭环境。

3. 无云端语义理解，「表情自不自然」它管不了

不支持 GPT-4V 等高级视觉模型。只能判闭眼、跑焦、曝光这类规则化问题——「这张笑是否僵硬」仍要靠你的眼。能力边界比 AfterShoot 窄。

4. 暂不支持视频截帧选片

v1 只支持 JPG/PNG 等静态图，不支持从视频里截帧批量筛。活动录像副机位要筛帧的，得另找工具或手选。

5. Stars 64、迭代早期，生产依赖需谨慎

社区小、文档不如商业产品细。我会把它当「自己用的初筛脚本封装」，不会推荐给客户「这是我们的标准流程」——至少等签名包和更成熟版本。

📷 配图待补：Keep/Reject/Review 结果预览与 LR 星级排序（落盘名：visioncull-hands-on.png）

💡 怎么高效用它

用法 1：先拿 100 张样本校准阈值，再跑全场

流程：从婚礼当天挑 100 张（含已知闭眼、跑焦、好片）→ 跑 VisionCull → 看 Reject 和 Needs Review 分布 → 调节阈值 → 再跑剩余 1500 张。
第一次就上全长，误杀好片比多筛 ten 分钟更麻烦——样本校准是必做功课。

📷 配图待补：100 张样本测试与阈值调节界面（落盘名：visioncull-usage-1-calibrate.png）

用法 2：Needs Review 队列 + Lightroom 双屏过片

VisionCull 跑完后，别跳过 Review 队列。我习惯左屏 VisionCull 复核，右屏 LR 预备导入——复核通过的升星，确认的 Reject 直接不导入。保守策略的意义在这里：AI 省 70% 体力，人眼兜 30% 边缘。

📷 配图待补：Needs Review 人工复核工作流（落盘名：visioncull-usage-2-review.png）

用法 3：选片后进 Lovart 做交付级增强（互补，非替代）

VisionCull 只管「哪张能用」；选定保留片后，封面、社交预告图、相册排版用 Lovart 做多方案视觉增强——这是 选片后增强，不是让 Lovart 替 VisionCull 判闭眼。分工：VisionCull 初筛 → LR 精修 → Lovart 做交付物延展。

📷 配图待补：LR 精修成片导入 Lovart 做封面方案（落盘名：visioncull-usage-3-lovart.png）

⚠️ 安装和使用需要注意什么？

数据会离开本机吗？

VisionCull Pro 设计为 完全本地运行，ONNX 推理不联网，原片不上传。这是它相对云端人脸 API 的核心卖点。但仍建议：客户合同里写清楚「后期使用本地 AI 辅助初筛」，避免「AI」一词引发误解。

许可证允许商用吗？

GitHub 页面 许可证字段可能为空，使用前务必打开仓库读 LICENSE 文件全文。Stars 64 的早期项目，商用前自己确认条款，不要假设「开源=随便接客单」。

• 环境：Node.js 18+；Python 3.10/3.11（uv 推荐）；RAW 需 exiftool（项目 .local-tools/exiftool 可自带）
• 平台：Mac 首次启动可能需系统设置放行未签名应用
• 格式：JPG/PNG 稳定；RAW 依赖 exiftool 可用性，不可用时预览和元数据降级
• 边界：无视频截帧；无 GPT-4V；人像场景优先
• 版本：v1 本机稳定版，无跨机器签名分发包

📷 配图待补：Node/Python 依赖安装与 macOS 安全放行提示（落盘名：visioncull-note-permission.png）

周更里我会怎么用

场景 A：周末婚礼双机位。 回家先睡，周日上午 VisionCull 跑全场初筛，下午 LR 只开三星以上。Needs Review 队列周一晚上人工过一遍——不把复核留到交付前夜。

场景 B：活动跟拍 800 张，客户要次日预告。 样本 50 张校准后跑全场，Reject 直接不导入。预告图从 Keep 里挑，再进 Lovart 做九宫格封面——VisionCull 省的是「翻废片」时间，不是「做设计」时间。

场景 C：隐私敏感 corporate 活动。 合同写了「原片不出内网」，VisionCull 本地跑比任何云端 API 好解释。我会把 laptop 带去现场酒店跑，而不是回家上传。

场景 D：风光采风 trip。 我不会开 VisionCull——README 说了风景弱。300 张风光手选或用 LR 旗标更快，别为工具而工具。

怎么选： 婚礼/活动摄影师，若每次 500 张以上人像、已有 Lightroom 流程、且不愿把客户原片上传云端，可以优先花一个下午搭好 VisionCull Pro 环境跑样本校准；若想要签名安装包、更全检测能力、或主要拍风光/单次量小，不建议硬上 VisionCull Pro，先看 AfterShoot 或继续手选。

👥 适合哪些用户？

✅ 适合

❌ 不太适合

简单来说：VisionCull Pro 是 Lightroom 前的本地 AI 初筛器，不是「AI 替你交付」。

📷 配图待补：婚礼跟拍「初筛 → LR → 交付」工作流示意（落盘名：visioncull-who-workflow.png）

📊 总结表格

综合评分：3.5 / 5.0

一句话总结：VisionCull Pro 适合「量大、人像、隐私、已有 LR」四个条件至少占三个的摄影师——它帮你少翻废片；好不好用，仍取决于你肯不肯先花一个下午搭环境和校准阈值。

🔗 VisionCull Pro 官网与项目地址

• GitHub：https://github.com/YuChiHuaCheng/vision-cull-pro — 源码 / Issues（⭐ 64 · 许可证见仓库）
• 对比参照：AfterShoot https://aftershoot.com/ ；Excire https://excire.com/
• 依赖：Node.js 18+ · Python 3.10/3.11 · exiftool（RAW）
• 互补：Lovart（选片后封面/社交图增强） https://www.lovart.ai/ 和 Lovart中文版: https://www.lovart.art

标签：#AI工具 #摄影 #选片 #VisionCullPro #Lightroom #开源 #本地AI