Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
sentrysearch — Ricerca semantica sui video utilizzando Gemini Embedding 2 o Qwen3-VL. | Kitploit
Strumenti/GitHubGitHub/ssrajadh/sentrysearch
OSINT (Open Source Intelligence)RicognizioneInformatica ForenseRaccolta InformazioniDigital ForensicsMachine Learning
GitHubssrajadh/sentrysearch

sentrysearch

Ricerca semantica sui video utilizzando Gemini Embedding 2 o Qwen3-VL.

Vedi Repository
4.4k421664 giorni faRevisionato da Kitploit
Condividi
Sito web

SentrySearch

#1 Show HN of the Week on Hacker News

Ricerca semantica sui filmati video. Digita ciò che stai cercando e ricevi indietro una clip ritagliata.

[!IMPORTANT] Fonte ufficiale: github.com/ssrajadh/sentrysearch è l'unica sede ufficiale di SentrySearch. Gli altri siti che ripubblicano o rispecchiano questo progetto non sono affiliati né approvati dal manutentore; scarica sempre da questo repository.

Lingue: English · 简体中文

Novità: Backend MLX per Apple Silicon: esegue il modello locale 2B due volte più velocemente con meno della metà della memoria, a parità di accuratezza

Indice

  • Come funziona
  • Per iniziare
  • Utilizzo
    • Init
    • Indicizzare i filmati
    • Ricerca
    • Ricerca per immagine
    • Highlights
    • Qwen Cloud (Alibaba DashScope)
    • LiteLLM (gateway AI)
    • Backend locale (nessuna chiave API necessaria)
    • Perché il modello locale è veloce
    • Backend MLX (Apple Silicon)
    • Overlay dei metadati Tesla
    • Unisci con SentryMerge
    • Oscura con SentryBlur
    • Gestione dell'indice
      • Chunk falliti e nuovo tentativo
      • File di cache e di stato
    • Modalità dettagliata
  • Com'è possibile?
  • Costo
  • Avvisi noti (innocui)
  • Limitazioni e sviluppi futuri
  • Compatibilità
  • Requisiti

Come funziona

SentrySearch suddivide i tuoi video in chunk sovrapposti, incorpora ciascun chunk come video usando l'API Gemini Embedding di Google, Alibaba DashScope (qwen-cloud) o un modello locale Qwen3-VL, e memorizza i vettori in un database ChromaDB locale. Quando effettui una ricerca, la tua query testuale (o immagine, vedi ricerca per immagine) viene incorporata nello stesso spazio vettoriale e confrontata con gli embedding video memorizzati. La corrispondenza migliore viene automaticamente ritagliata dal file originale e salvata come clip.

Per iniziare

  1. Installa uv (se non lo hai già):

macOS/Linux:

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows:

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
  1. Clona e installa:
git clone https://github.com/ssrajadh/sentrysearch.git
cd sentrysearch
uv tool install .

Richiede Python 3.11 o 3.12 (i wheel di PyTorch non supportano ancora 3.13+). Se il tuo Python predefinito è più recente, installa una versione gestita 3.12 e fissa l'installazione dello strumento:

uv python install 3.12
uv tool install --python 3.12 .
  1. Configura la tua chiave API (oppure usa un modello locale) — necessaria solo per il backend Gemini predefinito; salta questo passaggio se usi --backend local, --backend mlx o --backend qwen-cloud con DASHSCOPE_API_KEY in .env.
sentrysearch init

Ti chiederà la tua chiave API Gemini, la scriverà in .env e la convaliderà con un embedding di test.

  1. Indicizza il tuo materiale:
sentrysearch index /path/to/footage
  1. Ricerca:
sentrysearch search "red truck running a stop sign"

ffmpeg è necessario per il chunking e il trimming dei video. Se non è disponibile a livello di sistema, viene utilizzato automaticamente il pacchetto imageio-ffmpeg incluso.

Configurazione manuale: Se preferisci non usare sentrysearch init, puoi copiare .env.example in .env e aggiungere manualmente la tua chiave da aistudio.google.com/apikey.

Utilizzo

Init

$ sentrysearch init
Enter your Gemini API key (get one at https://aistudio.google.com/apikey): ****
Validating API key...
Setup complete. You're ready to go — run `sentrysearch index <directory>` to get started.

Se la chiave è già configurata, ti verrà chiesto se sovrascriverla.

Suggerimento: Imposta un limite di spesa su aistudio.google.com/billing per evitare spese accidentali.

Indicizzare i filmati

$ sentrysearch index /path/to/video/footage
Indexing file 1/3: front_2024-01-15_14-30.mp4 [chunk 1/4]
Indexing file 1/3: front_2024-01-15_14-30.mp4 [chunk 2/4]
...
Indexed 12 new chunks from 3 files. Total: 12 chunks from 3 files.

Opzioni:

  • --chunk-duration 30 — secondi per chunk
  • --overlap 5 — sovrapposizione tra i chunk
  • --no-preprocess — salta il downscaling/la riduzione del frame rate (invia i chunk grezzi)
  • --target-resolution 480 — altezza target in pixel per il preprocessing
  • --target-fps 5 — frame rate target per il preprocessing
  • --no-skip-still — incorpora tutti i chunk, anche quelli senza variazioni visive
  • --rpm 10 — limita le richieste al minuto verso l'API cloud (dettagli sotto)
  • --backend local — usa un modello locale invece di Gemini (dettagli sotto)
  • --backend mlx — usa il modello locale tramite MLX su Apple Silicon, più veloce e leggero rispetto a local (dettagli sotto)
  • --dry-run — visualizza in anteprima il numero di chunk per file e il costo stimato di Gemini senza alcuna chiamata API, caricamento del modello o scrittura su file

Ricerca

$ sentrysearch search "red truck running a stop sign"
  #1 [0.87] front_2024-01-15_14-30.mp4 @ 02:15-02:45
  #2 [0.74] left_2024-01-15_14-30.mp4 @ 02:10-02:40
  #3 [0.61] front_2024-01-20_09-15.mp4 @ 00:30-01:00

Saved clip: ./match_front_2024-01-15_14-30_02m15s-02m45s.mp4

Se il punteggio di similarità del risultato migliore è inferiore alla soglia di confidenza (predefinita 0.41, oppure 0.35 con --backend mlx), ti verrà chiesta conferma prima del trimming:

No confident match found (best score: 0.28). Show results anyway? [y/N]:

Con --no-trim, i risultati a bassa confidenza vengono mostrati con una nota invece di un prompt.

Opzioni: --results N, --output-dir DIR, --no-trim per saltare l'auto-trimming, --threshold 0.5 per regolare la soglia di confidenza, --save-top N per salvare i primi N clip invece del solo miglior risultato, --dedupe per impostare quanto un risultato può essere simile a una scelta con rango superiore prima di essere scartato (attivo per impostazione predefinita, così i chunk sovrapposti dello stesso momento non riempiono la lista), e --rerank per chiedere a un VLM di riordinare i candidati restituiti prima del trimming. Backend e modello vengono rilevati automaticamente dall'indice — passare --backend o --model solo per sovrascrivere.

# Save top 5 clips, dropping only near-identical chunks
sentrysearch search "red truck" --save-top 5 --dedupe 0.95

# Re-rank the top 10 embedding matches with a VLM before trimming
sentrysearch search "pedestrian crossing behind the car" --rerank --results 10
Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    938
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    556
  • 3

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    352
  • 4

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    343
  • 5

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    336
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    291

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →