[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Cysu--open-reid":3,"tool-Cysu--open-reid":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",159636,2,"2026-04-17T23:33:34",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":137},8898,"Cysu\u002Fopen-reid","open-reid","Open source person re-identification library in python","Open-ReID 是一个专为学术研究打造的轻量级行人重识别（Person Re-identification）开源库，基于 Python 和 PyTorch 构建。它的核心使命是解决该领域研究中常见的痛点：不同数据集格式各异、模型实现分散以及评估标准不统一。通过提供一套标准化的接口，Open-ReID 能够无缝对接多种主流数据集，并内置了丰富的深度学习模型与完整的评估指标体系，帮助研究者轻松复现接近业界最先进的实验结果。\n\n这款工具特别适合计算机视觉领域的研究人员、算法工程师以及相关专业的学生使用。如果你正在探索行人重识别技术，希望快速搭建实验环境或验证新想法，Open-ReID 能大幅降低重复造轮子的时间成本。其技术亮点在于“轻量化”与“规范化”：不仅代码结构清晰易懂，便于二次开发，还提供了详尽的示例脚本，涵盖从数据加载、模型训练（如使用 ResNet50 结合 Softmax 损失函数）到性能评估的全流程。无论是初学者入门还是资深专家进行基准测试，Open-ReID 都能提供一个高效、统一的实验平台，让科研工作更加专注与创新。","# Open-ReID\n\nOpen-ReID is a lightweight library of person re-identification for research\npurpose. It aims to provide a uniform interface for different datasets, a full\nset of models and evaluation metrics, as well as examples to reproduce (near)\nstate-of-the-art results.\n\n## Installation\n\nInstall [PyTorch](http:\u002F\u002Fpytorch.org\u002F) (version >= 0.2.0). Although we support\nboth python2 and python3, we recommend python3 for better performance.\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid.git\ncd open-reid\npython setup.py install\n```\n\n## Examples\n\n```shell\npython examples\u002Fsoftmax_loss.py -d viper -b 64 -j 2 -a resnet50 --logs-dir logs\u002Fsoftmax-loss\u002Fviper-resnet50\n```\n\nThis is just a quick example. VIPeR dataset may not be large enough to train a deep neural network.\n\nCheck about more [examples](https:\u002F\u002Fcysu.github.io\u002Fopen-reid\u002Fexamples\u002Ftraining_id.html)\nand [benchmarks](https:\u002F\u002Fcysu.github.io\u002Fopen-reid\u002Fexamples\u002Fbenchmarks.html).\n","# Open-ReID\n\nOpen-ReID 是一个用于研究目的的人体重识别轻量级库。其目标是为不同的数据集提供统一的接口、一套完整的模型和评估指标，以及可复现（接近）最先进结果的示例。\n\n## 安装\n\n安装 [PyTorch](http:\u002F\u002Fpytorch.org\u002F)（版本 >= 0.2.0）。虽然我们同时支持 Python 2 和 Python 3，但为了获得更好的性能，建议使用 Python 3。\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid.git\ncd open-reid\npython setup.py install\n```\n\n## 示例\n\n```shell\npython examples\u002Fsoftmax_loss.py -d viper -b 64 -j 2 -a resnet50 --logs-dir logs\u002Fsoftmax-loss\u002Fviper-resnet50\n```\n\n这只是一个快速示例。VIPeR 数据集可能不足以训练深度神经网络。\n\n更多内容请参阅 [示例](https:\u002F\u002Fcysu.github.io\u002Fopen-reid\u002Fexamples\u002Ftraining_id.html) 和 [基准测试](https:\u002F\u002Fcysu.github.io\u002Fopen-reid\u002Fexamples\u002Fbenchmarks.html)。","# Open-ReID 快速上手指南\n\nOpen-ReID 是一个轻量级的人员重识别（Person Re-identification）研究库。它旨在为不同的数据集提供统一的接口，包含完整的模型和评估指标，并提供复现接近最先进（SOTA）结果的示例代码。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：支持 Linux 或 macOS（Windows 需自行配置兼容环境）。\n*   **Python 版本**：支持 Python 2 和 Python 3，**强烈推荐使用 Python 3** 以获得更好的性能。\n*   **核心依赖**：\n    *   [PyTorch](http:\u002F\u002Fpytorch.org\u002F) (版本 >= 0.2.0)\n    *   国内开发者安装 PyTorch 时，建议访问 [清华镜像源](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fhelp\u002Fpytorch\u002F) 获取加速安装命令。\n\n## 安装步骤\n\n通过以下命令克隆仓库并完成安装：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid.git\ncd open-reid\npython setup.py install\n```\n\n> **提示**：如果下载速度较慢，可使用国内镜像加速克隆：\n> `git clone https:\u002F\u002Fgitee.com\u002Fmirror\u002Fopen-reid.git` (若存在镜像) 或配置 git 代理。\n\n## 基本使用\n\n以下是一个基于 ResNet50  backbone 和 VIPeR 数据集的 Softmax Loss 训练示例。\n\n**注意**：VIPeR 数据集较小，通常不足以充分训练深度神经网络，此命令主要用于验证流程是否跑通。\n\n```shell\npython examples\u002Fsoftmax_loss.py -d viper -b 64 -j 2 -a resnet50 --logs-dir logs\u002Fsoftmax-loss\u002Fviper-resnet50\n```\n\n**参数说明：**\n*   `-d viper`: 指定使用 VIPeR 数据集。\n*   `-b 64`: 设置 batch size 为 64。\n*   `-j 2`: 设置数据加载线程数为 2。\n*   `-a resnet50`: 指定模型架构为 ResNet50。\n*   `--logs-dir`: 指定日志和模型保存路径。\n\n更多详细的训练示例和基准测试（Benchmarks）请参考官方文档：\n*   [训练示例](https:\u002F\u002Fcysu.github.io\u002Fopen-reid\u002Fexamples\u002Ftraining_id.html)\n*   [基准测试](https:\u002F\u002Fcysu.github.io\u002Fopen-reid\u002Fexamples\u002Fbenchmarks.html)","某安防实验室的研究团队正在开发一套跨摄像头行人追踪系统，需要快速验证多种深度学习模型在不同数据集上的重识别（Re-ID）性能。\n\n### 没有 open-reid 时\n- 研究人员需为 VIPeR、Market-1501 等不同数据集分别编写繁琐的数据加载代码，接口不统一导致大量重复劳动。\n- 缺乏现成的标准模型库，复述论文中的 ResNet 等基线模型时，需从零搭建网络结构，极易引入实现误差。\n- 评估指标（如 mAP、Rank-1）需手动计算，公式实现容易出错，且难以确保与学术界标准结果对齐。\n- 实验配置管理混乱，缺少统一的日志记录机制，导致对比不同超参数下的实验结果时效率极低。\n- 从环境搭建到跑出第一个基准结果往往耗时数周，严重拖慢了算法迭代和论文发表的进度。\n\n### 使用 open-reid 后\n- 通过 open-reid 提供的统一数据接口，团队仅需修改一行参数即可无缝切换不同数据集，数据预处理时间缩短 90%。\n- 直接调用库中预置的 ResNet-50 等主流模型架构，配合示例脚本，半天内即可复现接近 SOTA 的基准性能。\n- 内置标准化的评估模块自动计算 mAP 和 CMC 曲线，确保评测结果权威可靠，消除了人工计算指标的隐患。\n- 利用自带的日志管理系统，所有训练过程和实验配置自动归档，方便随时回溯对比不同策略的效果。\n- 研发周期从数周压缩至数天，团队能将更多精力投入到核心算法创新而非基础工程搭建上。\n\nopen-reid 通过提供标准化的全流程工具链，让行人重识别研究从繁琐的工程泥潭中解放出来，真正专注于算法本身的突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCysu_open-reid_17536d58.png","Cysu","Tong Xiao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FCysu_7852a79f.png","I am passionate about developing large-scale foundation models for visual intelligence and applying them in AR\u002FVR, autonomous machines, and humanoids with AGI","Yutori","San Francisco, CA","tong.xiao.work@gmail.com",null,"xiaotong.me","https:\u002F\u002Fgithub.com\u002FCysu",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1369,350,"2026-04-13T00:39:32","MIT","未说明","未说明（基于 PyTorch，通常建议配备 NVIDIA GPU 以加速训练，但 README 未明确具体要求）",{"notes":94,"python":95,"dependencies":96},"该工具主要用于研究目的，提供行人重识别的统一接口。虽然支持 Python 2 和 3，但官方推荐使用 Python 3 以获得更好的性能。README 中未提及具体的操作系统、GPU 型号、显存大小或内存需求，安装仅需克隆仓库并运行 setup.py。示例中提到 VIPeR 数据集可能过小，不适合训练深度神经网络。","2.x 或 3.x（推荐 Python 3）",[97],"torch>=0.2.0",[14],[100,101,102,103,104],"person-reidentification","deep-learning","metric-learning","pytorch","python","2026-03-27T02:49:30.150509","2026-04-18T14:24:40.980269",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},39896,"训练时出现 'IndexError: invalid index of a 0-dim tensor' 错误怎么办？","这是由于 PyTorch 版本更新导致的。请将代码中的 `loss.data[0]` 修改为 `loss.item()`。如果在 PyTorch 1.5+ 版本中使用 `triplet_loss.py` 遇到 'zero-dimensional tensor cannot be concatenated' 错误，可以将 `torch.cat()` 改为 `torch.stack()`，或者在张量前添加 `.unsqueeze(0)`。","https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid\u002Fissues\u002F92",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},39897,"使用 OIM Loss 训练时损失值变为 NaN 或效果不佳，如何调整参数？","这通常是因为 `--oim-scalar` 参数设置过大。官方 Caffe 实现中该值为 10，如果设置为 100 可能会导致后期损失变为 NaN。建议将该值调整为 10 并进行实验。此外，在训练过程中逐渐减小该值（退火策略）也能提升性能。","https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid\u002Fissues\u002F3",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},39898,"运行示例时出现 RuntimeError 或多进程 pickle 错误，可能是什么原因？","如果使用 NCCL 后端，同一设备上不能同时运行两个程序。此外，PyTorch 的 DataParallel 可能与 Nvidia-docker 存在兼容性问题。尝试重置 Docker 容器或检查是否有其他进程占用了 GPU 设备通常能解决此问题。","https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid\u002Fissues\u002F4",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},39899,"为什么使用 triplet loss 得到的结果比基准测试（benchmark）差？","较大的 Batch Size 对于困难样本挖掘（hard mining）更有效，能显著提升性能。如果结果偏低，请尝试增大 batch size。可以参考相关 Issue #28 和 #43 获取更多细节。","https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid\u002Fissues\u002F55",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},39900,"如何从预训练模型中提取特定层（如 pool5）的特征向量？","需要修改模型的前向传播函数。在 `x = self.feat(x)` 层之后，将特征变量添加到列表中并返回。例如：\n```python\nouts = []\nx = self.feat(x)\nouts.append(x)\n...\nreturn outs\n```\n这样即可获取该层的输出特征。","https:\u002F\u002Fgithub.com\u002FCysu\u002Fopen-reid\u002Fissues\u002F14",{"id":134,"question_zh":135,"answer_zh":136,"source_url":117},39901,"OIM Loss 的实现中为什么没有包含论文描述的循环队列（Circular Queue, CQ）部分？","虽然用户询问了省略循环队列（CQ）的原因，但该 Issue 下的讨论主要集中在 `oim-scalar` 参数的调整上。维护者指出该标量参数对收敛至关重要，建议使用较小的值（如 10）而非默认的大值，并可通过退火策略进一步优化，这是影响该损失函数表现的关键因素。",[]]