[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AIZOOTech--FaceMaskDetection":3,"tool-AIZOOTech--FaceMaskDetection":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":76,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":23,"env_os":105,"env_gpu":106,"env_ram":105,"env_deps":107,"category_tags":117,"github_topics":118,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":122,"updated_at":123,"faqs":124,"releases":165},3601,"AIZOOTech\u002FFaceMaskDetection","FaceMaskDetection","开源人脸口罩检测模型和数据 Detect faces and determine whether people are wearing mask.","FaceMaskDetection 是一款开源的人脸口罩检测项目，旨在快速识别图像或视频中的人脸，并判断其是否规范佩戴口罩。在公共卫生事件背景下，它能有效辅助自动化防疫筛查，解决人工监控效率低、覆盖面窄的痛点。\n\n该项目特别适合开发者、算法研究人员及安防系统集成商使用。其最大亮点在于极高的兼容性与轻量化设计：不仅提供了 PyTorch、TensorFlow、Keras、MXNet、Caffe、Paddle 及 OpenCV DNN 等七种主流深度学习框架的模型与推理代码，方便不同技术栈的团队直接集成；还采用了精简的 SSD 网络结构，将模型参数量压缩至约 1.01M，仅需 8 个卷积层即可运行。这种轻量化特性使其不仅能高效处理本地图片与视频流，甚至能流畅部署于浏览器端（基于 TensorFlow.js），实现了低资源消耗下的高精度实时检测。此外，项目方还开源了包含近 8000 张经过清洗校验的高质量训练数据集，为二次开发和学术研究提供了坚实基础。","# FaceMaskDetection\n[中文版](README-zh.md) | English version\n\n### We open source all the popular deep learning frameworks' model and inference code to do face mask detection.\n\n- [x] PyTorch\n- [x] TensorFlow（include tflite and pb model）\n- [x] Keras\n- [x] MXNet\n- [x] Caffe\n- [x] Paddle\n- [x] OpenCV dnn\n\n\n\n** Detect faces and determine whether they are  wearing mask. **\n\n\n** First of all, we hope the people in the world defeat COVID-2019 as soon as possible. Stay strong, all the countries in the world.**\n\n\n* We make face mask detection models with five mainstream deep learning frameworks （PyTorch、TensorFlow、Keras、MXNet和caffe） open sourced, and the corresponding inference codes. \n\n* We published 7971 images to train the models. The dataset is composed of [WIDER Face](http:\u002F\u002Fshuoyang1213.me\u002FWIDERFACE\u002F) and [MAFA](http:\u002F\u002Fwww.escience.cn\u002Fpeople\u002Fgeshiming\u002Fmafa.html), we verified some wrong annotations.  You can download here from [Google drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1QspxOJMDf_rAWVV7AU_Nc0rjo1_EPEDW\u002Fview?usp=sharing), if you can not visit Google, you can download it from BaiduDisk, click [here to know how to download](README-zh.md).\n\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_b17217cc7d93.png)\n\n\nWe deployed a web page, you can click the link to experience it.\nThe page is writen by Tensorflow.js.\n\n[AIZOO face mask detection](https:\u002F\u002Fdemo.aizoo.com\u002Fface-mask-detection.html)\n## Model structure\n\nWe used the structure of SSD. However,  in order to  make it run quickly in the browser, the backbone network is lite. The total model only has 1.01M parametes.\n\nInput size of the model is 260x260, the backbone network only has 8 conv layers. The total model has only 24 layers with the  location and classification layers counted.\n\nSSD anchor configurtion is show bellow:\n\n| multibox layers | feature map size | anchor size | aspect ratio）|\n| ---- | ---- | ---- | ---- |\n|First|33x33|0.04,0.056|1,0.62,0.42|\nSecond ||17x17|0.08,0.11|1,0.62,0.42|\n|Third|9x9|0.16,0.22|1,0.62,0.42|\n|Forth |5x5|0.32,0.45|1,0.62,0.42|\n|Fifth|3x3|0.64,0.72|1,0.62,0.42|\n\n## How to run\n\n### opencv\n```\npython opencv_dnn_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n### paddle\non image：\n```\npython paddle_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n### pytorch\non image：\n```\npython pytorch_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\non video：\n```\npython pytorch_infer.py --img-mode 0 --video-path \u002Fpath\u002Fto\u002Fvideo  \n# If you want to run with camera video, set  video_path to be 0\npython pytorch_infer.py --img-mode 0 --video-path 0\n```\n### TensorFlow\u002FKeras\u002FMXNet\u002FCaffe\nThe other four frameworks running method is similar to pytorch, just replace `pytorch`with `tensorflow`, `keras`,`caffe`，`mxnet`,\nif you want to use tensorflow, just run:\n```\npython tensorflow_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n**Attention，for caffe's inference ，we use permute layer，so that we should use [caffe-ssd](https:\u002F\u002Fgithub.com\u002Fweiliu89\u002Fcaffe\u002Ftree\u002Fssd)**，you can use opencv-dnn to do the inference.\n## Appendix\n### Feedback\nIf you use wechat, you can follow us.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_fd0781eee8fe.png)\n\n** If you use Wechat, scan the code to add  me on wechat **\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_4039e4ce3598.jpg)\n\n\n### Model structure\n\nWe merge the BN to Conv layers in order to accelerate the inference speed.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_5e8658d9aba1.png)\n\n### Testset PR curve\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_9d644fb04119.png)\n\n\n\n\n### Our demo page\n\n[aizoo.com face mask detection demo](https:\u002F\u002Fdemo.aizoo.com\u002Fface-mask-detection.html)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_ce30ffd3a165.gif)\n","# 人脸口罩检测\n[中文版](README-zh.md) | 英文版\n\n### 我们开源了所有主流深度学习框架的人脸口罩检测模型及推理代码。\n\n- [x] PyTorch\n- [x] TensorFlow（包括 tflite 和 pb 模型）\n- [x] Keras\n- [x] MXNet\n- [x] Caffe\n- [x] Paddle\n- [x] OpenCV dnn\n\n\n\n** 检测人脸并判断其是否佩戴口罩。 **\n\n\n** 首先，我们希望全球人民能尽快战胜 COVID-19。全世界各国，请坚强！**\n\n\n* 我们开源了基于五大主流深度学习框架（PyTorch、TensorFlow、Keras、MXNet 和 Caffe）的人脸口罩检测模型及其对应的推理代码。 \n\n* 我们使用了 7971 张图片来训练这些模型。数据集由 [WIDER Face](http:\u002F\u002Fshuoyang1213.me\u002FWIDERFACE\u002F) 和 [MAFA](http:\u002F\u002Fwww.escience.cn\u002Fpeople\u002Fgeshiming\u002Fmafa.html) 构成，并对其中的一些错误标注进行了验证。您可以通过 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1QspxOJMDf_rAWVV7AU_Nc0rjo1_EPEDW\u002Fview?usp=sharing) 下载数据集；如果无法访问 Google，也可以通过百度网盘下载，点击 [这里查看下载方法](README-zh.md)。\n\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_b17217cc7d93.png)\n\n\n我们部署了一个网页，您可以点击链接体验。该页面由 Tensorflow.js 编写。\n\n[AIZOO 人脸口罩检测](https:\u002F\u002Fdemo.aizoo.com\u002Fface-mask-detection.html)\n## 模型结构\n\n我们采用了 SSD 的结构。然而，为了使其在浏览器中快速运行，骨干网络被简化为轻量级设计。整个模型仅包含 1.01M 个参数。\n\n模型的输入尺寸为 260x260，骨干网络仅有 8 层卷积层。加上定位和分类层，整个模型总共只有 24 层。\n\nSSD 锚框配置如下：\n\n| 多框层 | 特征图尺寸 | 锚框大小 | 宽高比 |\n| ---- | ---- | ---- | ---- |\n|第一层|33x33|0.04,0.056|1,0.62,0.42|\n|第二层||17x17|0.08,0.11|1,0.62,0.42|\n|第三层|9x9|0.16,0.22|1,0.62,0.42|\n|第四层 |5x5|0.32,0.45|1,0.62,0.42|\n|第五层|3x3|0.64,0.72|1,0.62,0.42|\n\n## 如何运行\n\n### opencv\n```\npython opencv_dnn_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n### paddle\n针对图片：\n```\npython paddle_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n### pytorch\n针对图片：\n```\npython pytorch_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n针对视频：\n```\npython pytorch_infer.py --img-mode 0 --video-path \u002Fpath\u002Fto\u002Fvideo  \n# 如果想用摄像头实时视频，将 video_path 设置为 0\npython pytorch_infer.py --img-mode 0 --video-path 0\n```\n### TensorFlow\u002FKeras\u002FMXNet\u002FCaffe\n其他四个框架的运行方式与 PyTorch 类似，只需将 `pytorch` 替换为 `tensorflow`、`keras`、`caffe` 或 `mxnet` 即可。\n例如，使用 TensorFlow 时：\n```\npython tensorflow_infer.py  --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n**注意，对于 Caffe 的推理，我们使用了 permute 层，因此需要使用 [caffe-ssd](https:\u002F\u002Fgithub.com\u002Fweiliu89\u002Fcaffe\u002Ftree\u002Fssd)**，您也可以使用 opencv-dnn 进行推理。\n## 附录\n### 反馈\n如果您使用微信，可以关注我们。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_fd0781eee8fe.png)\n\n** 如果您使用微信，请扫描二维码添加我为好友 **\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_4039e4ce3598.jpg)\n\n\n### 模型结构\n\n为了加快推理速度，我们将 BN 层合并到了卷积层中。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_5e8658d9aba1.png)\n\n### 测试集 PR 曲线\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_9d644fb04119.png)\n\n\n\n\n### 我们的演示页面\n\n[aizoo.com 人脸口罩检测演示](https:\u002F\u002Fdemo.aizoo.com\u002Fface-mask-detection.html)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_readme_ce30ffd3a165.gif)","# FaceMaskDetection 快速上手指南\n\nFaceMaskDetection 是一个开源的人脸口罩检测项目，支持 PyTorch、TensorFlow、Keras、MXNet、Caffe、PaddlePaddle 及 OpenCV DNN 等主流深度学习框架。模型基于轻量级 SSD 结构，参数量仅 1.01M，适合快速部署与推理。\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows\n- Python 版本：建议 Python 3.6+\n\n### 前置依赖\n根据你选择的框架安装对应依赖。以 PyTorch 和 OpenCV 为例：\n\n```bash\npip install torch torchvision opencv-python\n```\n\n若使用其他框架（如 TensorFlow、PaddlePaddle 等），请安装相应库：\n\n```bash\n# TensorFlow\npip install tensorflow\n\n# PaddlePaddle（推荐使用国内镜像加速）\npython -m pip install paddlepaddle -i https:\u002F\u002Fmirror.baidu.com\u002Fpypi\u002Fsimple\n```\n\n> 💡 提示：国内用户可使用清华或百度镜像源加速安装，例如：\n> ```bash\n> pip install xxx -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. 克隆项目仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAIZOOtech\u002FFaceMaskDetection.git\ncd FaceMaskDetection\n```\n\n2. 下载预训练模型与测试图片（可选）：\n   - 模型文件已包含在对应框架文件夹中（如 `pytorch\u002F`, `tensorflow\u002F` 等）\n   - 如需重新训练，可从 [百度网盘](https:\u002F\u002Fpan.baidu.com\u002F) 下载数据集（提取码见项目中文 README）\n\n## 基本使用\n\n### 使用 OpenCV DNN 推理（最简方式）\n```bash\npython opencv_dnn_infer.py --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n\n### 使用 PyTorch 推理\n**图片检测：**\n```bash\npython pytorch_infer.py --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n\n**视频\u002F摄像头检测：**\n```bash\n# 检测视频文件\npython pytorch_infer.py --img-mode 0 --video-path \u002Fpath\u002Fto\u002Fvideo\n\n# 调用摄像头（video-path 设为 0）\npython pytorch_infer.py --img-mode 0 --video-path 0\n```\n\n### 使用其他框架\n只需将命令中的 `pytorch` 替换为对应框架名即可，例如：\n\n```bash\n# TensorFlow\npython tensorflow_infer.py --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n\n# PaddlePaddle\npython paddle_infer.py --img-path \u002Fpath\u002Fto\u002Fyour\u002Fimg\n```\n\n> ⚠️ 注意：Caffe 推理需使用 [caffe-ssd](https:\u002F\u002Fgithub.com\u002Fweiliu89\u002Fcaffe\u002Ftree\u002Fssd) 分支，因模型中包含 permute 层；也可直接使用 OpenCV DNN 进行推理。\n\n---\n\n立即体验在线 Demo：[AIZOO 口罩检测演示页](https:\u002F\u002Fdemo.aizoo.com\u002Fface-mask-detection.html)","某大型连锁超市在疫情期间急需升级入口安防系统，以自动化方式监控顾客是否规范佩戴口罩，减轻人工排查压力。\n\n### 没有 FaceMaskDetection 时\n- 安保人员需全天候紧盯监控屏幕或站在入口处肉眼识别，长时间工作极易产生视觉疲劳，导致漏检率飙升。\n- 面对早晚高峰的人流密集场景，人工无法同时精准判断数十人的佩戴状态，造成入口严重拥堵和排队混乱。\n- 缺乏统一的技术标准，不同班次人员对“佩戴不规范”的判定尺度不一，容易引发顾客投诉和管理纠纷。\n- 无法留存客观的违规数据记录，管理层难以量化防疫执行情况，只能依赖模糊的口头汇报进行决策。\n\n### 使用 FaceMaskDetection 后\n- 部署基于 PyTorch 或 OpenCV dnn 的轻量级模型后，系统能 7x24 小时自动实时检测，精准标记未戴口罩者并触发警报，彻底消除人为疏忽。\n- 凭借仅 1.01M 参数量的高效架构，FaceMaskDetection 能在普通边缘设备上流畅处理多路视频流，即使人流密集也能秒级响应，保障通行效率。\n- 算法提供标准化的“有口罩\u002F无口罩”分类结果，统一了全门店的执行尺度，避免了因主观判断差异造成的管理矛盾。\n- 系统可自动截图保存违规瞬间并生成统计报表，为门店优化防疫策略提供了详实、可追溯的数据支撑。\n\nFaceMaskDetection 通过将成熟的深度学习模型转化为低成本的自动化防线，让公共场所的防疫管控从“人海战术”成功转型为“智能精准治理”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAIZOOTech_FaceMaskDetection_b17217cc.png","AIZOOTech","AIZOO","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAIZOOTech_b1decfdd.jpg","感兴趣的朋友，请关注公众号 AIZOO 进群",null,"AIZOO.com","https:\u002F\u002Fgithub.com\u002FAIZOOTech",[83,87,91,94,98],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",61.1,{"name":88,"color":89,"percentage":90},"Python","#3572A5",35.7,{"name":92,"color":93,"percentage":10},"C++","#f34b7d",{"name":95,"color":96,"percentage":97},"CMake","#DA3434",0.1,{"name":99,"color":100,"percentage":97},"Shell","#89e051",2122,621,"2026-03-28T12:56:57","MIT","未说明","未说明 (模型设计轻量，仅 1.01M 参数，支持在浏览器及 CPU 环境下通过 OpenCV DNN 推理)",{"notes":108,"python":105,"dependencies":109},"该项目支持多种主流深度学习框架。若使用 Caffe 进行推理，必须使用包含 permute 层的 caffe-ssd 分支，或直接使用 OpenCV DNN 进行推理。模型骨干网络仅含 8 个卷积层，输入尺寸为 260x260，专为快速运行（包括浏览器端）设计。训练数据集由 WIDER Face 和 MAFA 组成。",[110,111,112,113,114,115,116],"PyTorch","TensorFlow","Keras","MXNet","Caffe (需 caffe-ssd 版本)","PaddlePaddle","OpenCV (dnn 模块)",[13,14],[119,120,121],"detection","pytorch","caffe","2026-03-27T02:49:30.150509","2026-04-06T11:30:52.110871",[125,130,135,140,145,150,155,160],{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},16493,"如何使用摄像头（Webcam）进行实时检测？","可以通过运行命令 `python tensorflow_infer.py --img-mod=0` 来启用摄像头模式进行实时检测。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F60",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},16494,"模型的最佳精度（Precision）和召回率（Recall）是多少？","根据维护者提供的数据，'face'（无口罩人脸）类别的精度为 0.896，'face with mask'（戴口罩人脸）类别的精度为 0.919。如果使用 360x360 的输入尺寸训练，mAP 会更高。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F44",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},16495,"数据集的 XML 标注文件中缺少图片尺寸（size）信息怎么办？","部分 XML 文件确实缺少 size 信息。解决方法是直接从对应的图片文件中读取宽度和高度信息，然后补充到 XML 文件中，无需手动逐个添加或重新下载。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F7",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},16496,"如何将 TFLite 模型部署到 Android 端？输出维度 [1, 5972, 4] 和 [1, 5972, 2] 代表什么？","输出维度分别代表边界框坐标（4 个点）和类别概率（2 类：NoMask, Mask）。在 Android 端使用时，需要参考项目中的 Python 代码，自行编写对应的解码（decode）和非极大值抑制（NMS）逻辑（Java 或 C++ 版本）。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F40",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},16497,"模型是基于哪个 PyTorch 版本训练的？如何消除 SourceChange 警告？","该模型最初是使用 Keras 训练的，随后转换为 PyTorch 版本。要消除警告，可以尝试加载模型后再次保存（load 然后 save），这通常能解决版本兼容性导致的警告问题。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F51",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},16498,"能否提供完整的可训练模型源代码以便重新训练？","该项目主要提供预训练的模型文件和权重，不包含完整的训练代码（loss 函数等缺失），因此无法直接在此基础上进行重新训练（retrain）。建议寻找其他包含完整训练流程的项目或使用提供的数据集自行搭建网络。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F81",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},16499,"是否可以将模型导出为 ONNX 格式？","可以导出。模型的主干网络由普通的卷积层和池化层组成，支持导出为 ONNX 格式。如果遇到导出失败，请检查算子兼容性。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F27",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},16500,"数据集中是否存在错误的标签或注释？","是的，数据集中存在一些问题，例如个别文件类别名称拼写错误（如 'face_nask' 应为 'face_mask'），以及部分标签缺少边界框或图像尺寸信息。社区成员已清理并重新组织了数据集，可在 Kaggle 上找到修正后的版本。","https:\u002F\u002Fgithub.com\u002FAIZOOTech\u002FFaceMaskDetection\u002Fissues\u002F15",[]]