BlindSight 利用全同态加密实现视频人像检测，服务器全程无法看到画面

BlindSight 能检测网络摄像头画面中是否有人，而全程不暴露任何视频帧。客户端负责显示视频、捕获帧，并用 FHE（全同态加密）对帧进行加密。Belfort eML 服务器直接在这些加密帧上执行推理，返回一个加密的判定结果。端到端加密，服务器始终看不到图像。只有客户端持有密钥，能够解密判定结果。BlindSight 基于 Belfort eML（https://eml.belfortlabs.com）构建。

捕获、加密和解密全部在你笔记本电脑上的同一个进程中完成，因此图像在离开设备之前始终处于加密状态。

在首帧能够被分类之前，部署需要评估密钥（evaluation keys）。这些密钥由与客户端密钥相同的种子派生而来，有两种方式将它们加载到 GPU 上：

无论采用哪种方式，密钥都是每个客户端 token 生成一次，而不是每帧生成一次。

检测器是 PersonNet，一个小型卷积网络：四层，约 6 万参数，仅由在 FHE 下开销低廉的运算构建。输入一张 64×64 的图像，它输出摄像头附近是否有人。该模型在 Wake Vision 上训练，"near person" 标签由 Open Images 的边界框推导而来。

训练好的权重位于仓库中的 model/training/runs/baseline/best.pt，因此运行演示无需自行训练。如果你想更换模型或数据，model/README.md 说明了如何重新训练。

路径 说明 eml/ Belfort ML 示例（eML 是 encrypted ML 的缩写）。provider.py 编译并部署模型。client.py 加密图像并解密判定结果：支持在窗口中从实时网络摄像头采集（macOS、Linux 和 WSL 2），也支持从样本帧（--samples）或你自己的图像（--images）读取。 model/ PersonNet：其预处理、训练和明文推理，以及训练好的权重。 dataset/ Wake Vision，已下载并标注：Belfort ML 示例所用的样本帧，以及训练数据。 INSTALL.md macOS、Linux 和 WSL 2 的安装步骤。 assets/ 架构图：architecture_diagram.drawio 及其 SVG 导出文件，如上所示。 LICENSE、NOTICE Apache-2.0，以及模型训练数据的归属说明（见 Licence）。

你需要准备 macOS 14 或更新版本的 Apple Silicon、Linux（x86-64 或 ARM），或安装了 WSL 2 的 Windows。 uv 和一个 C++20 编译器。仓库的每个部分都通过 uv run 运行，首次运行时会自动配置环境；Belfort ML 客户端首次运行时会用编译器构建其加密代码。INSTALL.md 列出了各平台的步骤；在 Mac 上只需两条命令，在 Linux 和 WSL 2 上稍多几条。

样本帧。从 Wake Vision 中抽取的两个带标签数据集。校准帧用于模型提供方对编译后的模型进行校准，测试帧用于事后检验。一条命令即可下载并准备好两者（约 1.1 GB，登录 Hugging Face 后需几分钟）。数据集中的其他内容都不需要，因为权重已经训练好了：

cd dataset uv run prepare_dataset.py # -> dataset/samples/test.npz, calibration.npz cd - # 返回仓库根目录

dataset/README.md 介绍了 Hugging Face 登录和详细说明。

你需要两个终端，都从仓库根目录启动。

cd eml export BELFORT_API_KEY=blf_live_... # 你的 API key uv run provider.py compile # 每个模型执行一次；之后复用 uv run provider.py serve --dev # 仅用于开发：启动一个生成密钥的 GPU 部署

compile 需要校准帧，因为在 FHE 下每个 ReLU 都被替换为多项式，而多项式只在有限范围内准确。将 dataset/samples/calibration.npz 中的 512 帧输入模型，可以告诉编译器这些范围是什么。之后 client.py --samples 发送的测试帧来自数据集的另一个划分（dataset/samples/test.npz），因此模型是在未曾调优过的帧上接受检验。

如果 compile 因 name_taken 失败，说明自上次编译模型以来有内容发生了变化：权重、校准帧、编译选项或 Belfort 版本。运行 uv run provider.py delete 后重新编译。

serve --dev 以开发者模式启动 GPU 部署：网关选择密钥种子，GPU 据此生成评估密钥。部署就绪后，serve 会将客户端 token 写入 eml/.client-token，将种子写入 eml/.secret-seed-* 供终端 2 使用，并同时打印两行 export 命令，以便客户端在其他机器上运行。开发者模式仅供开发使用：网关知道种子，因此理论上可以解密部署所服务的内容。若要让密钥仅由自己掌握，请不带 --dev 运行 serve，具体见 eml/README.md 的第 5 步。

预计需要 5 到 10 分钟部署才能就绪。网关会启动一个新的 GPU 实例，随后 GPU 生成评估密钥。等待期间不计费；额度从部署就绪的那一刻开始计算。

使用客户端期间请保持该终端不动。按 Enter 可停止部署；它也会在 30 分钟后自动停止。运行期间会消耗额度，按 10 分钟向上取整计费。

eml/README.md 的第 1 步和第 2 步有更详细的说明，包括编译选项，其 Belfort release 一节说明了各包所固定的版本。

cd eml uv run client.py # 读取终端 1 写入的客户端 token

如果客户端在另一台机器上运行，请先执行终端 1 打印的两行 export 命令：BELFORT_CLIENT_TOKEN 和 BELFORT_CLIENT_SECRET_SEED。

client.py 启动时会先构建其加密代码，首次需要几分钟，然后用终端 1 交过来的种子生成密钥对。GPU 已经持有评估密钥，因此无需上传任何内容，客户端准备好分类后窗口即会打开。

预计每帧需要数秒。大部分时间花在你的计算机与服务器之间传输密文：加密图像上传、加密判定结果回传。GPU 上的加密推理（也称 FHE 求值）只需要几百

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）