SBcontrol

Adept — C++ фреймворк для обучения нейросетей с GPU-ускорением через Vulkan (кроссплатформенная альтернатива CUDA). SBcontrol оборачивает его в полноценный веб-сервис:

Обучение MLP, LeNet-5, ConvNet через HTTP API
Бенчмарки CPU vs GPU с автоматическим сравнением
Веб-дашборд с графиками обучения, GPU-мониторингом, MNIST-демо
Удалённый деплой через SSH (Paramiko)

Быстрый старт

Вариант 1: Запуск локально (у вас GPU + собранный Adept)

Вариант 2: Удалённый деплой через SSH

После запуска (порт задаётся в

.env

→

API_PORT

API: http://<server>:<port>/
Swagger docs: http://<server>:<port>/docs
Dashboard: http://<server>:<port>/dashboard

Структура проекта

SBcontrol/
  server/
    main.py              # API-сервер (FastAPI) — standalone, запускается напрямую
    requirements.txt     # Зависимости сервера (fastapi, uvicorn)
  dashboard.html         # Веб-дашборд (Chart.js, WebSocket, MNIST демо)
  remote_build.py        # Деплой на удалённую машину через SSH/SFTP
  remote_cmd.py          # SSH-диагностика
  ADEPT_WINDOWS_PORT.md  # Документация порта Adept на Windows
  PULL_REQUEST.md        # Описание PR для upstream Adept
  .env.example           # Шаблон настроек (скопировать в .env)

API Endpoints (v2.0)

Обучение нейросетей

Method	Endpoint	Description
POST	`/api/train/{mlp\|lenet\|convnet}?gpu=true`	Запуск обучения
GET	`/api/train/status/{job_id}`	Статус + результаты
GET	`/api/train/output/{job_id}`	Полный лог обучения
GET	`/api/train/jobs`	История всех запусков
POST	`/api/train/cancel/{job_id}`	Отмена обучения
WS	`/ws/train/{job_id}?token=...`	WebSocket стриминг логов

Модели и бенчмарки

Method	Endpoint	Description
GET	`/api/models`	Каталог моделей
GET	`/api/benchmark`	CPU бенчмарк
GET	`/api/benchmark/gpu`	GPU бенчмарк
GET	`/api/benchmark/compare`	CPU vs GPU сравнение
GET	`/api/pipeline/gpu`	Pipeline performance

Мониторинг

Method	Endpoint	Description
GET	`/api/gpu/stats`	Live GPU метрики (temp, VRAM, util, power)
GET	`/api/system`	Информация о системе
GET	`/health`	Health check

Администрирование

Method	Endpoint	Description
POST	`/admin/token/new?name=user`	Создать токен
POST	`/admin/token/revoke?token=...`	Отозвать токен
GET	`/admin/stats`	Статистика использования

Dashboard

Веб-интерфейс доступен по

/dashboard

Выбор модели (MLP / LeNet-5 / ConvNet)
Переключатель CPU/GPU
Real-time графики обучения (Chart.js)
WebSocket стриминг логов
GPU мониторинг (температура, VRAM, утилизация, мощность)
MNIST демо — canvas для рисования цифр
История обучений с просмотром результатов
Экспорт метрик (CSV) и графиков (PNG)
Браузерные push-уведомления

Требования

Сервер (где запускается Adept)

Windows 11
MSYS2 UCRT64 (GCC 15+)
Vulkan SDK 1.4+
NVIDIA GPU + драйверы
Python 3.10+ с FastAPI, uvicorn

Клиент (откуда деплоится)

Python 3.10+
paramiko, python-dotenv

Авторизация

API защищён Bearer-токенами. Master-токен генерируется при первом запуске и выводится в консоль. Пользовательские токены создаются через

/admin/token/new

Связь с Adept

Этот проект использует скомпилированные исполняемые файлы Adept. Для сборки Adept на Windows см. ADEPT_WINDOWS_PORT.md.

Windows-порт Adept (C++ правки) подготовлен для отправки в upstream: PULL_REQUEST.md.

SBcontrol v2.0 — февраль 2026