[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Breta01--handwriting-ocr":3,"tool-Breta01--handwriting-ocr":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":99,"env_os":100,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":111,"github_topics":113,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":163},5512,"Breta01\u002Fhandwriting-ocr","handwriting-ocr","OCR software for recognition of handwritten text","handwriting-ocr 是一款专注于识别照片中信手写文字的开源软件，旨在解决传统 OCR 工具难以准确处理非印刷体文本的痛点。该项目利用计算机视觉与机器学习技术，将复杂的识别过程拆解为四个核心步骤：首先检测页面并去除背景干扰，接着定位并分割单词，随后对单词进行标准化处理，最后完成字符的分离与识别。值得一提的是，它不仅支持英文，还特别针对捷克语等特定语言进行了优化训练。\n\n作为一个起源于学校并最终在英特尔国际科学与工程大奖赛（ISEF 2018）上展示的项目，handwriting-ocr 展现了扎实的学术背景与技术探索精神。它基于 Python 3.6 构建，依赖 TensorFlow、OpenCV 等主流深度学习框架，并通过 Jupyter Notebook 提供清晰的流程演示与评估脚本。\n\n这款工具非常适合开发者、人工智能研究人员以及对文档数字化感兴趣的技术爱好者使用。对于希望深入理解手写识别算法原理，或需要在特定场景下定制手写文本识别方案的用户来说，handwriting-ocr 提供了一个透明、可扩展且易于上手的研究基准。虽然目前主要面向技术群体，但其模块化的设计思路也","handwriting-ocr 是一款专注于识别照片中信手写文字的开源软件，旨在解决传统 OCR 工具难以准确处理非印刷体文本的痛点。该项目利用计算机视觉与机器学习技术，将复杂的识别过程拆解为四个核心步骤：首先检测页面并去除背景干扰，接着定位并分割单词，随后对单词进行标准化处理，最后完成字符的分离与识别。值得一提的是，它不仅支持英文，还特别针对捷克语等特定语言进行了优化训练。\n\n作为一个起源于学校并最终在英特尔国际科学与工程大奖赛（ISEF 2018）上展示的项目，handwriting-ocr 展现了扎实的学术背景与技术探索精神。它基于 Python 3.6 构建，依赖 TensorFlow、OpenCV 等主流深度学习框架，并通过 Jupyter Notebook 提供清晰的流程演示与评估脚本。\n\n这款工具非常适合开发者、人工智能研究人员以及对文档数字化感兴趣的技术爱好者使用。对于希望深入理解手写识别算法原理，或需要在特定场景下定制手写文本识别方案的用户来说，handwriting-ocr 提供了一个透明、可扩展且易于上手的研究基准。虽然目前主要面向技术群体，但其模块化的设计思路也为未来开发更友好的用户界面奠定了坚实基础。","# Handwriting OCR\nThe project tries to create software for recognition of a handwritten text from photos (also for Czech language). It uses computer vision and machine learning. And it experiments with different approaches to the problem. It started as a school project which I got a chance to present on Intel ISEF 2018.\n\n\u003Cp align=\"center\">\u003Cimg src =\"doc\u002Fimgs\u002Fposter.png?raw=true\" height=\"340\" alt=\"Sublime's custom image\" \u002F>\u003C\u002Fp>\n\n## Program Structure\nProces of recognition is divided into 4 steps. The initial input is a photo of page with text.\n\n1. Detection of page and removal of background\n2. Detection and separation of words\n3. Normalization of words\n4. Separation and recognition of characters (recognition of words)\n\nMain files combining all the steps are [OCR.ipynb](notebooks\u002FOCR.ipynb) or [OCR-Evaluator.ipynb](notebooks\u002Focr_evaluator.ipynb). Naming of files goes by step representing - name of machine learning model.\n\n## Getting Started\n### 1. Clone the repository\n```\ngit clone https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr.git\n```\nAfter downloading the repo, you have to download the datasets and models (for more info look into [data](data\u002F) and [models](models\u002F) folders).\n\n### 2. Requirements\nThe project is created using Python 3.6 with Jupyter Notebook. I recommend using Anaconda. If you have it, you can run the installation as:\n```\nconda create --name ocr-env --file environment.yml\nconda activate ocr-env\n```\nMain libraries (all required libraries are in [environment.yml](environment.yml)):\n* Numpy (1.13)\n* Tensorflow (1.4)\n* OpenCV (3.1)\n* Pandas (0.21)\n* Matplotlib (2.1)\n\n### Run\nWith all required libraries installed and cloned repo, run `jupyter notebook` in the directory of the project. Then you can work on the particular notebook.\n\n## Contributing\nBest way how to get involved is through creating [GitHub issues](https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues) or solving one! If there aren't any issues you can contact me directly on email.\n\n## License\n**MIT**\n\n## Support the project\nIf this project helped you or you want to support quick answers to questions and issues. Or you just think it is an interesting project. Please consider a small donation.\n\n[![paypal](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBreta01_handwriting-ocr_readme_80f402a5ff12.gif)](https:\u002F\u002Fpaypal.me\u002Fbretahajek\u002F2)\n","# 手写体 OCR\n该项目旨在开发一款能够从照片中识别手写文本的软件（也支持捷克语）。它结合了计算机视觉和机器学习技术，并尝试多种不同的解决方案。最初，这只是一个学校项目，后来我有幸在 2018 年英特尔国际科学与工程大奖赛上进行了展示。\n\n\u003Cp align=\"center\">\u003Cimg src =\"doc\u002Fimgs\u002Fposter.png?raw=true\" height=\"340\" alt=\"Sublime 的自定义图片\" \u002F>\u003C\u002Fp>\n\n## 程序结构\n识别过程分为四个步骤。初始输入是一张包含文本的页面照片。\n\n1. 检测页面并去除背景\n2. 检测并分离单词\n3. 对单词进行归一化处理\n4. 分离并识别字符（进而完成单词的识别）\n\n将所有步骤整合在一起的主要文件是 [OCR.ipynb](notebooks\u002FOCR.ipynb) 或 [OCR-Evaluator.ipynb](notebooks\u002Focr_evaluator.ipynb)。文件命名按照所代表的机器学习模型步骤来命名。\n\n## 快速入门\n### 1. 克隆仓库\n```\ngit clone https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr.git\n```\n下载仓库后，还需要下载数据集和模型（更多信息请参阅 [data](data\u002F) 和 [models](models\u002F) 文件夹）。\n\n### 2. 环境要求\n该项目使用 Python 3.6 和 Jupyter Notebook 开发。推荐使用 Anaconda。如果已安装 Anaconda，可以通过以下命令进行环境配置：\n```\nconda create --name ocr-env --file environment.yml\nconda activate ocr-env\n```\n主要依赖库（所有所需库均列于 [environment.yml](environment.yml) 中）：\n* Numpy (1.13)\n* Tensorflow (1.4)\n* OpenCV (3.1)\n* Pandas (0.21)\n* Matplotlib (2.1)\n\n### 运行\n在安装好所有必要库并克隆完仓库后，在项目目录下运行 `jupyter notebook`，即可开始使用各个笔记本进行开发。\n\n## 参与贡献\n参与的最佳方式是创建 [GitHub issues](https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues) 或直接解决现有问题！如果没有合适的议题，也可以直接通过电子邮件联系我。\n\n## 许可证\n**MIT**\n\n## 支持本项目\n如果这个项目对您有所帮助，或者您希望支持我们更快地解答问题和处理反馈，又或者您只是觉得这是一个有趣的项目，请考虑小额捐赠。\n\n[![paypal](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBreta01_handwriting-ocr_readme_80f402a5ff12.gif)](https:\u002F\u002Fpaypal.me\u002Fbretahajek\u002F2)","# Handwriting-OCR 快速上手指南\n\nHandwriting-OCR 是一个基于计算机视觉和机器学习的开源项目，旨在从照片中识别手写文本（支持捷克语等）。本项目最初作为学校项目开发，并曾在 Intel ISEF 2018 上展示。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6\n*   **核心依赖**：\n    *   Jupyter Notebook\n    *   Anaconda (强烈推荐用于环境管理)\n    *   主要库：Numpy (1.13), Tensorflow (1.4), OpenCV (3.1), Pandas (0.21), Matplotlib (2.1)\n\n> **注意**：由于项目依赖较旧版本的 TensorFlow (1.4) 和 OpenCV (3.1)，建议严格按照下文步骤创建独立的虚拟环境，以避免与现有环境冲突。国内用户若遇到 `conda` 下载缓慢，可配置清华或中科大镜像源加速。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n首先，将代码库克隆到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr.git\ncd handwriting-ocr\n```\n\n### 2. 创建并激活虚拟环境\n项目提供了 `environment.yml` 文件以简化依赖安装。使用 Conda 创建环境：\n```bash\nconda create --name ocr-env --file environment.yml\nconda activate ocr-env\n```\n*(注：如果自动解析依赖失败，可尝试手动安装指定版本的库：`pip install numpy==1.13 tensorflow==1.4 opencv-python==3.1 pandas==0.21 matplotlib==2.1`)*\n\n### 3. 下载数据集与模型\n代码运行需要预训练的模型和数据集。请前往项目的 [data](data\u002F) 和 [models](models\u002F) 文件夹说明处下载相应文件，并将其放置在项目对应的目录中。\n*(由于 README 未提供直接下载链接，通常需查看对应文件夹内的说明或通过项目 Issue 获取资源)*\n\n## 基本使用\n\n本项目的主要逻辑整合在 Jupyter Notebook 中。完成上述安装后，请按以下步骤运行：\n\n1.  **启动 Jupyter Notebook**：\n    在项目根目录下执行：\n    ```bash\n    jupyter notebook\n    ```\n\n2.  **选择笔记本文件**：\n    浏览器打开后，根据需求选择以下任一文件运行：\n    *   `notebooks\u002FOCR.ipynb`：完整的 OCR 识别流程演示。\n    *   `notebooks\u002Focr_evaluator.ipynb`：用于评估模型性能。\n\n3.  **运行单元格**：\n    按顺序执行 Notebook 中的代码单元格。程序将自动执行以下四个识别步骤：\n    1.  页面检测与背景去除\n    2.  单词检测与分离\n    3.  单词归一化\n    4.  字符分离与识别（最终输出文本）\n\n您只需准备好包含手写文本的图片，按照 Notebook 中的指引输入路径即可看到识别结果。","一位档案数字化专员正在处理一批 20 世纪的手写捷克语家族信件，需要将其转化为可搜索的电子文本以建立数字家谱库。\n\n### 没有 handwriting-ocr 时\n- 面对潦草的手写体和复杂的背景纸张，通用 OCR 软件识别率极低，几乎无法处理非印刷体字符。\n- 工作人员必须逐字人工转录，处理一页信纸平均耗时 45 分钟，整个项目预计需耗费数月人力。\n- 由于缺乏针对特定语言（如捷克语）的优化模型，特殊字符和变音符号经常丢失或错误，导致后续校对工作量巨大。\n- 图像中的倾斜、阴影和折痕干扰严重，手动预处理每一张照片的光影和角度极其繁琐且容易出错。\n\n### 使用 handwriting-ocr 后\n- 利用其专用的计算机视觉流程，自动完成页面检测、背景去除及单词分割，显著提升了对手写潦草字迹的识别精度。\n- 自动化流水线将单页处理时间缩短至几分钟内，只需最后进行少量人工复核，整体效率提升超过 90%。\n- 内置针对捷克语训练的机器学习模型，准确还原了带有变音符号的特殊字符，大幅降低了语言层面的识别错误。\n- 自动化的归一化步骤有效克服了照片拍摄时的倾斜与光照不均问题，无需人工逐一调整图像即可直接输入识别引擎。\n\nhandwriting-ocr 通过专为手写体设计的四步识别流程，将原本昂贵且低效的人工转录工作转变为高效、精准的自动化数字资产构建过程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBreta01_handwriting-ocr_52fc2c21.png","Breta01","Bretislav Hajek","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBreta01_5400b456.jpg","PhD student and developer.",null,"info@bretahajek.com","BretaHajek","bretahajek.com","https:\u002F\u002Fgithub.com\u002FBreta01",[83,87,91],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",98.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",1.1,{"name":92,"color":93,"percentage":94},"Dockerfile","#384d54",0,828,249,"2026-04-06T14:57:15","MIT",4,"","未说明",{"notes":103,"python":104,"dependencies":105},"项目基于 Jupyter Notebook 运行，推荐使用 Anaconda 管理环境（可通过 environment.yml 创建）。运行前需手动下载数据集和模型文件。该工具主要用于手写文本识别（支持捷克语），包含页面检测、单词分割、归一化和字符识别四个步骤。","3.6",[106,107,108,109,110],"numpy==1.13","tensorflow==1.4","opencv==3.1","pandas==0.21","matplotlib==2.1",[112,15,14],"音频",[114,64,115,116,117,118,119],"ocr","machine-learning","opencv","python","tensorflow","recognition","2026-03-27T02:49:30.150509","2026-04-08T20:10:23.558615",[123,128,133,138,143,148,153,158],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},24995,"遇到 'ValueError: too many values to unpack (expected 2)' 错误怎么办？","这是由于 OpenCV 3 和 OpenCV 4 之间的 API 变更导致的。如果您使用的是 OpenCV 4，需要修改代码以适应新的 API。维护者建议用户可以提交 Pull Request 来修复此问题并更新 Python 依赖要求。已有用户确认修复并提交了 PR。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F115",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},24996,"该模型能识别手写数字吗？如果不能，有什么推荐的数据集用于训练数字识别？","默认模型可能对手写数字的识别效果不佳。推荐使用以下数据集进行训练：\n1. ORAND 数据集（官方网站可能已下线，需自行搜索）。\n2. NIST SD19 (HSF-7)，包含数字字符串。\n3. CVL digit strings 数据集。\n4. 使用 MNIST 等数据集合成数据（参考相关 GitHub 项目如 svhn-multi-digit）。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F88",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},24997,"如何将检测到的单词轮廓按“从上到下、从左到右”的顺序排序？","请在 `rework` 分支中查找解决方案。具体的排序函数 `sort_words` 位于 `src\u002Focr\u002Fwords.py` 文件中。此外，可以参考 `notebooks\u002FOCR.ipynb` 笔记本中的完整处理流程。使用前请确保已将模型下载到 `models\u002F` 文件夹。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F59",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},24998,"运行训练脚本时出现 'TrainingPlot' object has no attribute 'updateCost' 错误，如何解决？","这是因为方法名已更改。请将代码中的 `trainPlot.updateCost(tmpLoss, i_batch \u002F\u002F LOSS_ITER)` 替换为 `trainPlot.update_loss(tmpLoss, i_batch \u002F\u002F LOSS_ITER)`（注意方法名从 updateCost 变为 update_loss）。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F102",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},24999,"剑桥手写数据库（Cambridge Handwriting Database）的下载链接失效了，有新的地址吗？","原提供的 FTP 链接（svr-ftp.eng.cam.ac.uk）已确认失效且长期无法访问。目前社区中尚未在 Issue 中提供确切的替代官方下载源，建议尝试通过学术搜索引擎或其他镜像站点寻找该数据集。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F122",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},25000,"遇到 'NoneType' object is not subscriptable 错误该如何排查？","这通常是因为图像或间隙线（gaplines）未正确加载导致的。建议尝试从头开始重新下载并运行项目。如果错误仍然存在，可能是环境配置问题，请重新检查安装步骤。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F19",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},25001,"如何为该项目贡献代码或提交修复补丁（Pull Request）？","您需要先 Fork 该仓库到您的个人账户，然后在您的 Fork 版本中进行修改并提交。完成后，向原仓库发起 Pull Request。维护者表示由于时间有限，非常欢迎社区提交修复和改进的 PR。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F154",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},25002,"IAM 数据集的训练脚本是否完成？如何使用它？","IAM 数据集的脚本需要一些特定的修改才能使用。具体的修改要求曾在其他 Issue（如 #49）中提到。由于维护者时间有限，建议查看相关历史讨论或直接尝试根据现有代码结构进行调整，也欢迎社区提交包含这些修改的 Pull Request。","https:\u002F\u002Fgithub.com\u002FBreta01\u002Fhandwriting-ocr\u002Fissues\u002F22",[]]