[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Giphy--celeb-detection-oss":3,"tool-Giphy--celeb-detection-oss":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",138956,2,"2026-04-05T11:33:21",[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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":107,"github_topics":78,"view_count":108,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},167,"Giphy\u002Fceleb-detection-oss","celeb-detection-oss","GIPHY's Open-Source Celebrity Detection Deep Learning Model","celeb-detection-oss 是 GIPHY 研发团队开源的一款深度学习模型，专门用于在图片、GIF 或视频中自动识别超过 2,300 位名人面孔，准确率高达 98%。它最初是为了给 GIPHY 平台上最受欢迎的明星内容打标签而开发，如今开放给公众使用，方便大家在自己的项目中集成或学习其技术思路。\n\n这个工具解决了在动态图像序列中高效、准确识别人脸并匹配对应名人的难题，尤其适合处理多帧、多人同时出现的复杂场景。对于开发者和研究人员来说，它不仅可以直接部署用于内容标注、推荐系统或社交应用，还提供了完整的训练代码和实验框架，支持自定义数据集进行迁移学习或二次开发。普通用户也可以通过示例快速上手，在本地测试自己的 GIF 或视频。\n\n技术亮点包括：支持批量处理连续帧、内置 MTCNN 人脸检测模块、结构清晰的数据准备流程，以及可灵活切换 CPU\u002FGPU 训练环境。无论你是想快速调用现成模型，还是深入研究人脸识别算法，celeb-detection-oss 都是一个实用且透明的起点。","# GIPHY Celebrity Detector\n\nGIPHY's Open Source Celebrity Detection Deep Learning Model and Code\n\n## About\n\nGIPHY is proud to release our custom machine learning model that is able to discern over 2,300 celebrity faces with 98% accuracy. The model was trained to identify the most popular celebs on GIPHY, and can identify and make predictions for multiple faces across a sequence of images, like GIFs and videos.\n\nThis project was developed by the GIPHY R&D team with the goal to build a deep learning model that could annotate our most popular content as well as, or hopefully better than, similar models offered by major tech companies. We’re extremely proud of our results, and have released this model and training code to the public in hopes that others might build off our work, integrate the model into their own projects, or perhaps learn from our approach.\n\nRead more about the project on the [GIPHY engineering blog](https:\u002F\u002Fengineering.giphy.com\u002Fgiphys-ai-can-identify-lil-yachty-can-yours).\n\nWe’ve provided a [list of all celebrities](https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fblob\u002Fmaster\u002Fexamples\u002Fresources\u002Fface_recognition\u002Flabels.csv) available with the model.\n\nThank you!\n\nThe GIPHY R&D Team\n\nNick Hasty [@jnhasty](https:\u002F\u002Fgithub.com\u002Fjnhasty), Ihor Kroosh [@tilast](https:\u002F\u002Fgithub.com\u002Ftilast), Dmitry Voitekh [@dvoitekh](https:\u002F\u002Fgithub.com\u002Fdvoitekh), Dmytro Korduban [@dkorduban](https:\u002F\u002Fgithub.com\u002Fdkorduban)\n\n\n## Try it out!\n\nFollow the instructions in the [examples directory](.\u002Fexamples) to download the model and test it on your own GIFs and videos.\n\n## Prerequisites\n\n1. Python 3.6 or higher\n\n2. For Linux: libsm, libxext, libxrender\n\n## Training & Transfer Learning Experimentation Pipeline\n\nPreliminary steps:\n\n1. Create a work directory to store results of experiments (it's not mandatory to locate this directory within the project). Example is provided [here](.\u002Fworkdir\u002F).\n\n2. Inside a work directory create an experiment directory. It's name must match the name of the related experiment python file (e.g. [example_experiment](.\u002Fworkdir\u002Fexample_experiment\u002F) directory for [example_experiment.py](.\u002Fexperiments\u002Fexample_experiment.py) file).\n\n2. Create a directory `face_recognition` inside work directory, which must contain weights for MTCNN model (3 files with names `det1.npy`, `det2.npy`, and `det3.npy` that can be copied from [Giphy pretrained resources archive](https:\u002F\u002Fs3.amazonaws.com\u002Fgiphy-public\u002Fmodels\u002Fceleb-detection\u002Fresources.tar.gz)).\n\n3. Create a file `labels.csv` inside the experiment directory. It must be of the following structure (see example [here](examples\u002Fresources\u002Fface_recognition\u002Flabels.csv)):\n\n    ```\n    Label,Index\n    Person1,0\n    Person2,1\n    Person3,3\n    ...\n    ```\n\n4. Create directory `raw_dataset` inside the experiment directory. It's a dataset of uncropped images. It must be of the following structure:\n\n    ```\n    - raw_dataset\n      - Person1\n        image1.jpg\n        image2.jpg\n        image3.jpg\n        ...\n      + Person2\n      + Person3\n      ...\n    ```\n\nSo the overall structure of the work directory is as follows:\n\n```\n- workdir\n  - example_experiment\n    - raw_dataset\n      - Person1\n        image1.jpg\n        image2.jpg\n        image3.jpg\n        ...\n      + Person2\n      + Person3\n      ...\n    labels.csv\n  - face_detection\n    det1.npy\n    det2.npy\n    det3.npy\n```\n\nAfter that, you need to choose where you going to run training: on CPU or on GPU. According to this decision you need to change `requirements_cpu.txt` to `requirements_gpu.txt` in `setup.py`, or leave it as is. Also, please, mind changing `tensorflow` version if necessary.\n\n### Using Python 3.6 Package\n\n1. Create a virtual environment to localize dependencies (optional):\n\n    https:\u002F\u002Fvirtualenv.pypa.io\u002Fen\u002Flatest\u002F\n\n    ```\n    pip install --upgrade virtualenv\n    virtualenv -p python3 venv\n    activate\n    source .\u002Fvenv\u002Fbin\u002Factivate\n    ```\n\n2. Install the package:\n\n    ```\n    pip install -e .\n    ```\n\n3. Create your experiment (see `experiments` directory for example).\n\n4. `cp .env.example .env` and fill the missing values in the `.env` file if needed.\n\n5. Run it from the top-level directory like:\n\n    ```\n    python experiments\u002Fexample_experiment.py\n    ```\n\n### Using Docker\n\n1. Install [nvidia-docker2](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)\n\n2. Modify your `\u002Fetc\u002Fdocker\u002Fdaemon.json` file:\n\n    ```\n    {\n        \"default-runtime\": \"nvidia\",\n        \"runtimes\": {\n            \"nvidia\": {\n                \"path\": \"\u002Fusr\u002Fbin\u002Fnvidia-container-runtime\",\n                \"runtimeArgs\": []\n            }\n        }\n    }\n    ```\n\n3. Create your experiment (see `experiments` directory for examples). After that, specify name of this file in `Dockerfile` in `CMD` section.\n\n4. `cp .env.example .env` and fill the missing values, also ensure that you changed data directory and tensorboard port in `docker-compose.yml` file.\n\n5. Before running any commands you need to explicitly activate the following env variables in your shell, since they are required during container launch:\n\n    1) `TENSORBOARD_PORT`\n\n    2) `WORKDIR`\n\n    3) `LOCAL_WORKDIR`\n\n6. Run via docker-compose:\n\n    ```\n    docker-compose up --build\n    ```\n\n    Or via plain Docker commands, for example:\n\n    ```\n    docker build -t celebrity-detection-model-train .\n    docker run --rm --volume $LOCAL_WORKDIR:$WORKDIR --env-file .env --runtime=nvidia --shm-size 8G -p $TENSORBOARD_PORT:$TENSORBOARD_PORT celebrity-detection-model-train\n    ```\n\n","# GIPHY 明星检测器\n\nGIPHY 开源的明星人脸识别深度学习模型与代码\n\n## 关于本项目\n\nGIPHY 很荣幸发布我们自研的机器学习模型，该模型可识别超过 2,300 位名人面孔，准确率达 98%。该模型专门针对 GIPHY 平台上最受欢迎的名人进行训练，能够对 GIF 或视频等图像序列中的多张人脸同时进行识别和预测。\n\n本项目由 GIPHY 研发团队（R&D Team）开发，目标是构建一个深度学习模型，使其在标注我们最热门内容方面的能力达到甚至超越主流科技公司提供的类似模型。我们对成果感到非常自豪，并将此模型及训练代码开源，希望其他人能在此基础上继续开发、将其集成到自己的项目中，或从我们的方法中获得启发。\n\n更多项目详情请参阅 [GIPHY 工程博客](https:\u002F\u002Fengineering.giphy.com\u002Fgiphys-ai-can-identify-lil-yachty-can-yours)。\n\n我们提供了模型支持的所有[名人列表](https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fblob\u002Fmaster\u002Fexamples\u002Fresources\u002Fface_recognition\u002Flabels.csv)。\n\n感谢您的关注！\n\nGIPHY 研发团队\n\nNick Hasty [@jnhasty](https:\u002F\u002Fgithub.com\u002Fjnhasty), Ihor Kroosh [@tilast](https:\u002F\u002Fgithub.com\u002Ftilast), Dmitry Voitekh [@dvoitekh](https:\u002F\u002Fgithub.com\u002Fdvoitekh), Dmytro Korduban [@dkorduban](https:\u002F\u002Fgithub.com\u002Fdkorduban)\n\n\n## 快速体验！\n\n请按照 [examples 目录](.\u002Fexamples) 中的说明下载模型，并在您自己的 GIF 和视频上进行测试。\n\n## 前置条件\n\n1. Python 3.6 或更高版本\n\n2. Linux 系统需安装：libsm、libxext、libxrender\n\n## 训练与迁移学习实验流程\n\n预备步骤：\n\n1. 创建一个工作目录用于存储实验结果（该目录不强制要求位于项目内）。示例见 [此处](.\u002Fworkdir\u002F)。\n\n2. 在工作目录内创建一个实验目录，其名称必须与对应的实验 Python 文件名一致（例如 [example_experiment.py](.\u002Fexperiments\u002Fexample_experiment.py) 对应的目录为 [example_experiment](.\u002Fworkdir\u002Fexample_experiment\u002F)）。\n\n3. 在工作目录内创建名为 `face_recognition` 的子目录，其中必须包含 MTCNN 模型的权重文件（三个文件：`det1.npy`、`det2.npy`、`det3.npy`，可从 [Giphy 预训练资源包](https:\u002F\u002Fs3.amazonaws.com\u002Fgiphy-public\u002Fmodels\u002Fceleb-detection\u002Fresources.tar.gz) 中复制）。\n\n4. 在实验目录内创建 `labels.csv` 文件，结构如下（示例见 [此处](examples\u002Fresources\u002Fface_recognition\u002Flabels.csv)）：\n\n    ```\n    Label,Index\n    Person1,0\n    Person2,1\n    Person3,3\n    ...\n    ```\n\n5. 在实验目录内创建 `raw_dataset` 子目录，存放未经裁剪的原始图像数据集，结构如下：\n\n    ```\n    - raw_dataset\n      - Person1\n        image1.jpg\n        image2.jpg\n        image3.jpg\n        ...\n      + Person2\n      + Person3\n      ...\n    ```\n\n最终工作目录的整体结构如下：\n\n```\n- workdir\n  - example_experiment\n    - raw_dataset\n      - Person1\n        image1.jpg\n        image2.jpg\n        image3.jpg\n        ...\n      + Person2\n      + Person3\n      ...\n    labels.csv\n  - face_detection\n    det1.npy\n    det2.npy\n    det3.npy\n```\n\n完成后，您需要决定在 CPU 还是 GPU 上运行训练。根据选择，在 `setup.py` 中将 `requirements_cpu.txt` 替换为 `requirements_gpu.txt`，或保持原样。如有必要，请注意调整 `tensorflow` 版本。\n\n### 使用 Python 3.6 包\n\n1. （可选）创建虚拟环境以隔离依赖：\n\n    https:\u002F\u002Fvirtualenv.pypa.io\u002Fen\u002Flatest\u002F\n\n    ```\n    pip install --upgrade virtualenv\n    virtualenv -p python3 venv\n    activate\n    source .\u002Fvenv\u002Fbin\u002Factivate\n    ```\n\n2. 安装本项目包：\n\n    ```\n    pip install -e .\n    ```\n\n3. 创建您的实验脚本（参考 `experiments` 目录中的示例）。\n\n4. `cp .env.example .env`，并按需填写 `.env` 文件中的缺失值。\n\n5. 从项目根目录运行实验脚本，例如：\n\n    ```\n    python experiments\u002Fexample_experiment.py\n    ```\n\n### 使用 Docker\n\n1. 安装 [nvidia-docker2](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)\n\n2. 修改 `\u002Fetc\u002Fdocker\u002Fdaemon.json` 文件：\n\n    ```\n    {\n        \"default-runtime\": \"nvidia\",\n        \"runtimes\": {\n            \"nvidia\": {\n                \"path\": \"\u002Fusr\u002Fbin\u002Fnvidia-container-runtime\",\n                \"runtimeArgs\": []\n            }\n        }\n    }\n    ```\n\n3. 创建您的实验脚本（参考 `experiments` 目录中的示例），然后在 `Dockerfile` 的 `CMD` 部分指定该文件名。\n\n4. `cp .env.example .env` 并填写缺失值，同时确保已在 `docker-compose.yml` 中修改数据目录路径和 TensorBoard 端口。\n\n5. 在运行任何命令前，需在当前 shell 中显式激活以下环境变量（容器启动时需要）：\n\n    1) `TENSORBOARD_PORT`\n\n    2) `WORKDIR`\n\n    3) `LOCAL_WORKDIR`\n\n6. 通过 docker-compose 启动：\n\n    ```\n    docker-compose up --build\n    ```\n\n    或使用原生 Docker 命令，例如：\n\n    ```\n    docker build -t celebrity-detection-model-train .\n    docker run --rm --volume $LOCAL_WORKDIR:$WORKDIR --env-file .env --runtime=nvidia --shm-size 8G -p $TENSORBOARD_PORT:$TENSORBOARD_PORT celebrity-detection-model-train\n    ```","# celeb-detection-oss 快速上手指南\n\n## 环境准备\n\n- **Python 版本**：3.6 或更高\n- **Linux 系统依赖**（如使用 Linux）：\n  ```bash\n  sudo apt-get install libsm6 libxext6 libxrender1\n  ```\n- **硬件建议**：支持 GPU 加速（需安装 CUDA 和 cuDNN），但 CPU 也可运行\n\n> 注：目前官方未提供国内镜像源，建议使用 pip 国内源加速安装（如清华、阿里云等）\n\n## 安装步骤\n\n### 方法一：Python 虚拟环境安装（推荐）\n\n```bash\n# 创建并激活虚拟环境\npip install --upgrade virtualenv\nvirtualenv -p python3 venv\nsource .\u002Fvenv\u002Fbin\u002Factivate\n\n# 安装项目包（在项目根目录执行）\npip install -e .\n```\n\n### 方法二：Docker 安装（适合 GPU 用户）\n\n```bash\n# 1. 安装 nvidia-docker2（参考官方文档）\n# 2. 修改 \u002Fetc\u002Fdocker\u002Fdaemon.json 配置默认 runtime 为 nvidia\n# 3. 构建并运行容器\ndocker-compose up --build\n```\n\n> 若使用 Docker，请提前设置 `.env` 文件中的 `TENSORBOARD_PORT`、`WORKDIR`、`LOCAL_WORKDIR` 等变量。\n\n## 基本使用\n\n### 1. 下载预训练模型资源\n\n从以下地址下载 MTCNN 权重文件并放入 `workdir\u002Fface_detection\u002F` 目录：\n\n```\nhttps:\u002F\u002Fs3.amazonaws.com\u002Fgiphy-public\u002Fmodels\u002Fceleb-detection\u002Fresources.tar.gz\n```\n\n解压后应包含：`det1.npy`, `det2.npy`, `det3.npy`\n\n### 2. 准备实验目录结构\n\n在 `workdir\u002F` 下创建你的实验目录（如 `example_experiment\u002F`），结构如下：\n\n```\nworkdir\u002F\n├── example_experiment\u002F\n│   ├── raw_dataset\u002F\n│   │   ├── Person1\u002F\n│   │   │   ├── image1.jpg\n│   │   │   └── ...\n│   │   └── Person2\u002F\n│   └── labels.csv\n└── face_detection\u002F\n    ├── det1.npy\n    ├── det2.npy\n    └── det3.npy\n```\n\n`labels.csv` 格式示例：\n\n```\nLabel,Index\nPerson1,0\nPerson2,1\nPerson3,2\n```\n\n### 3. 运行示例实验\n\n```bash\n# 复制并配置环境变量文件\ncp .env.example .env\n\n# 运行示例脚本（在项目根目录）\npython experiments\u002Fexample_experiment.py\n```\n\n> 模型默认支持识别 2300+ 明星，完整名单见 [labels.csv](https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fblob\u002Fmaster\u002Fexamples\u002Fresources\u002Fface_recognition\u002Flabels.csv)","一位短视频平台的内容运营人员，正在为每天新增的数万条用户上传视频打标签，尤其是识别其中出现的明星面孔，以便推荐给粉丝或用于热点聚合。\n\n### 没有 celeb-detection-oss 时\n- 人工审核团队需逐帧查看视频，效率极低，每人每天最多处理几十条，面对海量内容根本来不及标注。\n- 依赖第三方API（如某云服务）识别明星，不仅费用高昂，还常因网络延迟或配额限制导致处理中断。\n- 第三方模型仅支持静态图片，对GIF或视频中动态出现的多张人脸识别率低，经常漏标或误标“路人脸”。\n- 明星名单更新慢，平台想加入新晋网红或小众艺人时，无法自定义扩展识别库，灵活性差。\n- 缺乏透明度，无法知道模型为何判断某人为某明星，遇到争议内容难以复盘优化。\n\n### 使用 celeb-detection-oss 后\n- 直接部署本地模型，批量处理视频\u002FGIF，每分钟可自动标注上百条内容，人力成本下降80%以上。\n- 完全免费开源，无调用次数和费用限制，适合高并发场景，系统稳定性大幅提升。\n- 支持多帧连续检测，在动态画面中也能稳定追踪同一明星的不同角度，准确率高达98%，大幅减少误判。\n- 可基于提供的labels.csv自由增删明星名单，快速适配平台热点，比如临时加入“综艺新面孔”专项识别。\n- 开源代码+训练流程清晰，团队可微调模型适应特定画质或妆容风格，持续优化识别效果。\n\nceleb-detection-oss 让中小型内容平台也能拥有媲美大厂的明星识别能力，低成本实现智能化内容运营。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGiphy_celeb-detection-oss_83cc7490.png","Giphy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FGiphy_699256ed.png","All the GIFs",null,"support@giphy.com","https:\u002F\u002Fgiphy.com","https:\u002F\u002Fgithub.com\u002FGiphy",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.7,{"name":88,"color":89,"percentage":90},"Dockerfile","#384d54",0.3,693,70,"2026-03-31T14:35:34","MPL-2.0","Linux","可选，需NVIDIA GPU（若使用Docker需nvidia-docker2），显存建议8GB+","未说明",{"notes":99,"python":100,"dependencies":101},"Linux需安装libsm、libxext、libxrender；训练需手动下载MTCNN权重文件；支持CPU\u002FGPU切换，需修改requirements文件；推荐使用虚拟环境；Docker运行需配置runtime和挂载工作目录。","3.6或更高",[102,103,104,105,106],"tensorflow","opencv-python","numpy","pillow","mtcnn",[14,13],4,"2026-03-27T02:49:30.150509","2026-04-06T07:14:54.938114",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},355,"预训练模型下载链接失效怎么办？","原链接 https:\u002F\u002Fs3.amazonaws.com\u002Fgiphy-public\u002Fmodels\u002Fceleb-detection\u002Fresources.tar.gz 可能返回404或403错误。维护者回复称该问题已修复，可重试下载。若仍失败，建议删除项目自带的 resources 文件夹后重新运行 `python download_model.py` 脚本。","https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fissues\u002F11",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},356,"使用GPU进行迁移学习时程序卡住不动怎么办？","首先检查 train_dataset 和 val_dataset 目录是否已生成并包含裁剪后的人脸图像，以确认是卡在预处理阶段还是训练阶段。有用户通过删除环境并重新安装所有依赖、改用CPU模式（即使设置未生效）解决了问题。另需确保CUDA、cuDNN与TensorFlow-GPU版本兼容。","https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fissues\u002F5",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},357,"迁移学习时报错“RuntimeError: invalid argument 5: k not in range for dimension”如何解决？","此错误是因为代码试图计算 top-5 准确率，但你的数据集类别少于5个（如示例数据集只有2类）。解决方案：打开 model_training\u002Ftrainers\u002Ftrainer.py 文件，将第68行的 `topk=(1, 5)` 改为 `topk=(1, 2)`（或根据你的类别数调整第二个数字）。","https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fissues\u002F3",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},358,"遇到包版本冲突导致无法运行 inference.py 怎么办？","常见冲突包括 protobuf、numpy 和 scikit-image 版本不兼容。最终有效解决方案是：删除项目自带的 resources 文件夹，然后运行 `python download_model.py` 重新下载资源。这通常能绕过因本地包版本混乱导致的导入错误。","https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fissues\u002F14",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},359,"设置了 USE_GPU=true 但训练时GPU利用率仍为0%怎么办？","请检查 TensorFlow-GPU、CUDA 和 cuDNN 的版本是否相互兼容。常见原因是版本不匹配导致回退到CPU。用户自行解决的方法是：卸载当前版本，根据官方兼容性表安装匹配的 TensorFlow-GPU、CUDA 和 cuDNN 组合。","https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fissues\u002F4",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},360,"报错“TypeError: join() argument must be str or bytes, not 'NoneType'”是什么原因？","这是因为缺少 WORKDIR 环境变量。请确保在项目根目录下的 .env 文件中正确设置了 WORKDIR 路径（参考 README 配置说明）。该变量用于构建数据路径，未设置会导致路径拼接时传入 None 值而报错。","https:\u002F\u002Fgithub.com\u002FGiphy\u002Fceleb-detection-oss\u002Fissues\u002F2",[]]