EyeRace Pro

賽鴿圈長期靠老師傅「看眼識鴿」決定鳥的品質，但這個經驗無法傳承、判斷標準飄移大、年輕一代也很難入門。EyeRace Pro 把這套經驗拆解成可量化的 AI 評分系統，讓任何人都能在 30 秒內得到一份接近專家的評鑑報告。

問題

• 老師傅評鴿經驗難以複製、傳承斷層嚴重
• 同一隻鴿子不同師傅評分落差大、缺一致基準
• 養鴿場規模大時，人力 1:1 評鑑不可行

解法

把賽鴿評鑑拆成 拍攝 → 品質檢測 → ONNX 推論 → 五維度評分 四步管線，跑在 Flutter App 內：

1. 智慧拍攝引擎：加速度計即時偵測手部抖動，模糊度與曝光度低於閾值禁止拍照；三段式閃光燈在不同光源下自動切換。
2. 品質檢測：拍後立刻跑亮度、對比、模糊三項閾值，不過則 retry，避免 Garbage In Garbage Out。
3. ONNX 推論：PyTorch 訓練的 EfficientNet-B0 經 ONNX 匯出，在 mobile 端用 ONNX Runtime 直接跑，平均推論時間 < 400ms。
4. 五維度評分：左右眼分別輸出五個維度（瞳孔、內圈、相關圈、虹彩、外圈），最後加權合成單一參賽建議。

技術棧

• Mobile: Flutter 3.10+、Dart 3、Riverpod 3、GoRouter、Camera + VisionKit、加速度計 sensor
• Backend: Go 1.26 + Gin、GORM、PostgreSQL、JWT 認證、Sign in with Apple / Google Sign-In
• ML pipeline: PyTorch + EfficientNet-B0、Label Studio 標註、ONNX Runtime mobile 推論
• 付費: StoreKit 2 訂閱

成果

• iOS / Android 雙平台 MVP 上線，穩定運行 6 個月
• 後端 API 部署於 eyebird.ailoop.uk，平均回應時間 < 200ms
• 一張照片 30 秒內完成評鑑（含拍攝 + 上傳 + 推論 + 渲染）
• 五維度評分與資深養鴿師人工評鑑相關係數 r > 0.85

學到什麼

• Mobile ONNX 不是萬能：模型量化（int8）後 size 可從 50MB 降到 12MB，但精度掉 4%，最後選擇雲端推論為主、離線備援為輔的混合架構。
• 拍攝品質決定一切：「智慧拍攝引擎」貢獻的準確度提升超過後端模型優化的兩倍。GIGO 原則在 ML pipeline 太重要。
• 垂直 SaaS 的差異化：通用 OCR 或圖像分類 API 解決不了領域問題；做深 + 做透才是護城河。