[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-JDAI-CV--CoTNet":3,"tool-JDAI-CV--CoTNet":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":96,"env_deps":98,"category_tags":105,"github_topics":106,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":149},2888,"JDAI-CV\u002FCoTNet","CoTNet","This is an official implementation for \"Contextual Transformer Networks for Visual Recognition\".","CoTNet 是一款专为视觉识别任务设计的开源深度学习模型，源自论文《Contextual Transformer Networks for Visual Recognition》。它的核心目标是用一种统一的“上下文 Transformer\"模块替代传统卷积神经网络中的标准卷积层，从而让模型在提取图像特征时能更好地捕捉全局上下文信息，显著提升识别精度。\n\nCoTNet 主要解决了传统卷积操作感受野有限、难以建模长距离依赖的问题。通过引入自注意力机制，它在保持计算效率的同时，实现了更优的推理速度与准确率平衡。实验数据显示，在 ImageNet 数据集上，CoTNet 系列模型以更少的推理时间获得了比现有主流骨干网络更高的 Top-1 准确率，并曾在 CVPR 2021 开放世界图像分类挑战赛中夺得第一名。\n\n这款工具特别适合计算机视觉领域的研究人员和开发者使用，尤其是那些希望优化图像分类、目标检测或实例分割模型性能的技术人员。CoTNet 基于 PyTorch 构建，兼容 timm 库，提供了完整的训练与推理代码，支持多种预训练模型直接下载使用。其独特的技术亮点在于将上下文感知能力融入自","CoTNet 是一款专为视觉识别任务设计的开源深度学习模型，源自论文《Contextual Transformer Networks for Visual Recognition》。它的核心目标是用一种统一的“上下文 Transformer\"模块替代传统卷积神经网络中的标准卷积层，从而让模型在提取图像特征时能更好地捕捉全局上下文信息，显著提升识别精度。\n\nCoTNet 主要解决了传统卷积操作感受野有限、难以建模长距离依赖的问题。通过引入自注意力机制，它在保持计算效率的同时，实现了更优的推理速度与准确率平衡。实验数据显示，在 ImageNet 数据集上，CoTNet 系列模型以更少的推理时间获得了比现有主流骨干网络更高的 Top-1 准确率，并曾在 CVPR 2021 开放世界图像分类挑战赛中夺得第一名。\n\n这款工具特别适合计算机视觉领域的研究人员和开发者使用，尤其是那些希望优化图像分类、目标检测或实例分割模型性能的技术人员。CoTNet 基于 PyTorch 构建，兼容 timm 库，提供了完整的训练与推理代码，支持多种预训练模型直接下载使用。其独特的技术亮点在于将上下文感知能力融入自注意力结构中，形成高效且通用的视觉骨干网络，为后续下游任务提供更强有力的特征表达基础。","# Introduction\nThis repository is the official implementation of [**Contextual Transformer Networks for Visual Recognition**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2107.12292.pdf). \n\nCoT is a unified self-attention building block, and acts as an alternative to standard convolutions in ConvNet. As a result, it is feasible to replace convolutions with their CoT counterparts for strengthening vision backbones with contextualized self-attention.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJDAI-CV_CoTNet_readme_b04ee68ddcbb.jpg\" width=\"800\"\u002F>\n\u003C\u002Fp>\n\n# 2021\u002F3\u002F25-2021\u002F6\u002F5: CVPR 2021 Open World Image Classification Challenge\n**Rank 1** in [Open World Image Classification Challenge](https:\u002F\u002Feval.ai\u002Fweb\u002Fchallenges\u002Fchallenge-page\u002F1041\u002Fleaderboard\u002F2695) @ CVPR 2021. (Team name: VARMS)\n\n\n# Usage\nThe code is mainly based on [timm](https:\u002F\u002Fgithub.com\u002Frwightman\u002Fpytorch-image-models).\n\n### Requirement:\n* PyTorch 1.8.0+\n* Python3.7\n* CUDA 10.1+\n* [CuPy](https:\u002F\u002Fcupy.dev\u002F). \n\n### Clone the repository:\n```\ngit clone https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet.git\n```\n\n### Train \nFirst, download the [ImageNet](https:\u002F\u002Fgithub.com\u002Ffacebookarchive\u002Ffb.resnet.torch\u002Fblob\u002Fmaster\u002FINSTALL.md) dataset. To train CoTNet-50 on ImageNet on a single node with 8 gpus for 350 epochs run:\n```\npython -m torch.distributed.launch --nproc_per_node=8 train.py --folder .\u002Fexperiments\u002Fcot_experiments\u002FCoTNet-50-350epoch\n```\nThe training scripts for CoTNet (e.g., CoTNet-50) can be found in the [cot_experiments](cot_experiments) folder.\n\n# Inference Time vs. Accuracy\nCoTNet models consistently obtain better top-1 accuracy with less inference time than other vision backbones across both default and advanced training setups. In a word, CoTNet models seek better inference time-accuracy trade-offs than existing vision backbones.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJDAI-CV_CoTNet_readme_d7567ba4bca0.jpg\" width=\"800\"\u002F>\n\u003C\u002Fp>\n\n## Results on ImageNet\n| name | resolution | #params | FLOPs | Top-1 Acc. | Top-5 Acc. | model |\n| :---: | :---: | :---: | :---: | :---: | :---: | :---: | \n| CoTNet-50 | 224 | 22.2M | 3.3 | 81.3 | 95.6 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1SR5ezIu7LN943zHaUh4mC0ehxBVMqtfv\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1czr00SglgD8dNVK8jT1yLg) |\n| CoTNeXt-50 | 224 | 30.1M | 4.3 | 82.1 | 95.9 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1j6b5D3xcZ5L_bHiQV0WfqyOieqZLVOCv\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1CeV9IH_P5N9yuO-wOpdGNw) |\n| SE-CoTNetD-50 | 224 | 23.1M | 4.1 | 81.6 | 95.8 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1D2b5fr3lxpBpiFcCYBKngmmSgfVHt_56\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1s5Xg7AqzWuwFJUzOJDoo4Q) |\n| CoTNet-101 | 224 | 38.3M | 6.1 | 82.8 | 96.2 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F11jExbPEg4Eq5PApisZyE5k-1CbRYnsQb\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Olpta0AV7N4OoiC8PB4BnA) |\n| CoTNeXt-101 | 224 | 53.4M | 8.2 | 83.2 | 96.4 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1des5wgkBDUscQAs8IYOmKCKKUA46QLfJ\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1FM0QRZJee7uY7iKaEiUA-w) |\n| SE-CoTNetD-101 | 224 | 40.9M | 8.5 | 83.2 | 96.5 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1PWIltQYpYZiDrpfZORRQzGzQeXVd2b2f\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1WGFzuwio5lWJKiOOJTnjdg) |\n| SE-CoTNetD-152 | 224 | 55.8M | 17.0 | 84.0 | 97.0 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1MkMx0a8an3ikt6LZwClIOyabBnMfR91v\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F14mNVsSf-6WI3mxLN2WinWw) |\n| SE-CoTNetD-152 | 320 | 55.8M | 26.5 | 84.6 | 97.1 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1E43T2jS37gR07p_FVWnjJNkMWeYMXgX9\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kO5of8IPgL4HOudLeykS6w) |\n\nAccess code for Baidu is **cotn**\n\n## CoTNet on downstream tasks\nFor **Object Detection and Instance Segmentation**, please see [CoTNet for Object Detection and Instance Segmentation](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet-ObjectDetection-InstanceSegmentation).\n\n## Citing Contextual Transformer Networks\n```\n@article{cotnet,\n  title={Contextual Transformer Networks for Visual Recognition},\n  author={Li, Yehao and Yao, Ting and Pan, Yingwei and Mei, Tao},\n  journal={arXiv preprint arXiv:2107.12292},\n  year={2021}\n}\n```\n\n## Acknowledgements\nThanks the contribution of [timm](https:\u002F\u002Fgithub.com\u002Frwightman\u002Fpytorch-image-models) and awesome PyTorch team.\n","# 简介\n本仓库是[**用于视觉识别的上下文Transformer网络**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2107.12292.pdf)的官方实现。\n\nCoT是一种统一的自注意力构建模块，可作为ConvNet中标准卷积的替代方案。因此，可以通过用CoT替换卷积来增强视觉骨干网络的上下文感知自注意力能力。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJDAI-CV_CoTNet_readme_b04ee68ddcbb.jpg\" width=\"800\"\u002F>\n\u003C\u002Fp>\n\n# 2021年3月25日至2021年6月5日：CVPR 2021 开放世界图像分类挑战赛\n在CVPR 2021的[开放世界图像分类挑战赛](https:\u002F\u002Feval.ai\u002Fweb\u002Fchallenges\u002Fchallenge-page\u002F1041\u002Fleaderboard\u002F2695)中获得**第一名**。（团队名称：VARMS）\n\n# 使用方法\n代码主要基于[timm](https:\u002F\u002Fgithub.com\u002Frwightman\u002Fpytorch-image-models)。\n\n### 需求：\n* PyTorch 1.8.0及以上版本\n* Python 3.7\n* CUDA 10.1及以上版本\n* [CuPy](https:\u002F\u002Fcupy.dev\u002F)。\n\n### 克隆仓库：\n```\ngit clone https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet.git\n```\n\n### 训练\n首先，下载[ImageNet](https:\u002F\u002Fgithub.com\u002Ffacebookarchive\u002Ffb.resnet.torch\u002Fblob\u002Fmaster\u002FINSTALL.md)数据集。要在单节点8张GPU上对CoTNet-50进行350轮次的训练，运行以下命令：\n```\npython -m torch.distributed.launch --nproc_per_node=8 train.py --folder .\u002Fexperiments\u002Fcot_experiments\u002FCoTNet-50-350epoch\n```\nCoTNet（例如CoTNet-50）的训练脚本可以在[cot_experiments](cot_experiments)文件夹中找到。\n\n# 推理时间与准确率\n无论是在默认还是高级训练设置下，CoTNet模型始终以更少的推理时间获得比其他视觉骨干网络更高的Top-1准确率。简而言之，CoTNet模型在推理时间和准确率之间实现了比现有视觉骨干网络更好的权衡。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJDAI-CV_CoTNet_readme_d7567ba4bca0.jpg\" width=\"800\"\u002F>\n\u003C\u002Fp>\n\n## ImageNet上的结果\n| 名称 | 分辨率 | 参数量 | FLOPs | Top-1准确率 | Top-5准确率 | 模型 |\n| :---: | :---: | :---: | :---: | :---: | :---: | :---: |\n| CoTNet-50 | 224 | 22.2M | 3.3 | 81.3 | 95.6 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1SR5ezIu7LN943zHaUh4mC0ehxBVMqtfv\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1czr00SglgD8dNVK8jT1yLg) |\n| CoTNeXt-50 | 224 | 30.1M | 4.3 | 82.1 | 95.9 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1j6b5D3xcZ5L_bHiQV0WfqyOieqZLVOCv\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1CeV9IH_P5N9yuO-wOpdGNw) |\n| SE-CoTNetD-50 | 224 | 23.1M | 4.1 | 81.6 | 95.8 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1D2b5fr3lxpBpiFcCYBKngmmSgfVHt_56\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1s5Xg7AqzWuwFJUzOJDoo4Q) |\n| CoTNet-101 | 224 | 38.3M | 6.1 | 82.8 | 96.2 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F11jExbPEg4Eq5PAapisZyE5k-1CbRYnsQb\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Olpta0AV7N4OoiC8PB4BnA) |\n| CoTNeXt-101 | 224 | 53.4M | 8.2 | 83.2 | 96.4 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1des5wgkBDUscQAs8IYOmKCKKUA46QLfJ\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1FM0QRZJee7uY7iKaEiUA-w) |\n| SE-CoTNetD-101 | 224 | 40.9M | 8.5 | 83.2 | 96.5 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1PWIltQYpYZiDrpfZORRQzGzQeXVd2b2f\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1WGFzuwio5lWJKiOOJTnjdg) |\n| SE-CoTNetD-152 | 224 | 55.8M | 17.0 | 84.0 | 97.0 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1MkMx0a8an3ikt6LZwClIOyabBnMfR91v\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F14mNVsSf-6WI3mxLN2WinWw) |\n| SE-CoTNetD-152 | 320 | 55.8M | 26.5 | 84.6 | 97.1 | [GoogleDrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1E43T2jS37gR07p_FVWnjJNkMWeYMXgX9\u002Fview?usp=sharing) \u002F [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kO5of8IPgL4HOudLeykS6w) |\n\n百度网盘的访问码为：**cotn**\n\n## CoTNet在下游任务中的应用\n对于**目标检测和实例分割**任务，请参阅[CoTNet用于目标检测和实例分割](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet-ObjectDetection-InstanceSegmentation)。\n\n## 引用上下文Transformer网络\n```\n@article{cotnet,\n  title={Contextual Transformer Networks for Visual Recognition},\n  author={Li, Yehao and Yao, Ting and Pan, Yingwei and Mei, Tao},\n  journal={arXiv preprint arXiv:2107.12292},\n  year={2021}\n}\n```\n\n## 致谢\n感谢[timm](https:\u002F\u002Fgithub.com\u002Frwightman\u002Fpytorch-image-models)以及优秀的PyTorch团队所做的贡献。","# CoTNet 快速上手指南\n\nCoTNet（Contextual Transformer Networks）是一种统一的自注意力构建模块，可作为 ConvNet 中标准卷积的替代方案，旨在通过上下文自注意力增强视觉骨干网络。该模型在 ImageNet 分类任务中表现出色，并在推理时间与准确率之间取得了优异的平衡。\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**: Linux (推荐)\n*   **Python**: 3.7+\n*   **PyTorch**: 1.8.0+\n*   **CUDA**: 10.1+\n*   **核心依赖**: [CuPy](https:\u002F\u002Fcupy.dev\u002F) (用于加速计算)\n\n> **提示**：建议使用 Conda 创建虚拟环境以避免依赖冲突。国内用户可使用清华或中科大镜像源加速包安装。\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先从 GitHub 克隆官方代码库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet.git\ncd CoTNet\n```\n\n### 2. 安装依赖\n本项目主要基于 `timm` (PyTorch Image Models)。请安装必要的 Python 包：\n\n```bash\npip install torch>=1.8.0 torchvision cupy-cuda10x timm\n```\n\n> **注意**：`cupy-cuda10x` 需根据您的实际 CUDA 版本调整（如 `cupy-cuda11x`）。如果 pip 安装 CuPy 失败，请参考 [CuPy 官方文档](https:\u002F\u002Fdocs.cupy.dev\u002Fen\u002Fstable\u002Finstall.html) 进行编译安装。\n\n## 基本使用\n\n### 数据准备\n下载并准备好 [ImageNet](https:\u002F\u002Fgithub.com\u002Ffacebookarchive\u002Ffb.resnet.torch\u002Fblob\u002Fmaster\u002FINSTALL.md) 数据集。\n\n### 训练模型\n以下命令演示如何在单节点、8 张 GPU 上训练 **CoTNet-50** 模型（共 350 个 epoch）：\n\n```bash\npython -m torch.distributed.launch --nproc_per_node=8 train.py --folder .\u002Fexperiments\u002Fcot_experiments\u002FCoTNet-50-350epoch\n```\n\n*   训练脚本配置文件位于 `cot_experiments` 文件夹中，您可以根据需要修改超参数或切换其他变体（如 CoTNeXt-50, SE-CoTNetD-101 等）。\n\n### 使用预训练模型\n如果您仅需推理或使用预训练权重，可从下表获取模型文件（提供百度网盘和 Google Drive 下载）：\n\n| 模型名称 | 分辨率 | Top-1 Acc. | 百度网盘链接 (提取码: **cotn**) |\n| :--- | :---: | :---: | :--- |\n| CoTNet-50 | 224 | 81.3% | [下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1czr00SglgD8dNVK8jT1yLg) |\n| CoTNeXt-50 | 224 | 82.1% | [下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1CeV9IH_P5N9yuO-wOpdGNw) |\n| CoTNet-101 | 224 | 82.8% | [下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Olpta0AV7N4OoiC8PB4BnA) |\n| SE-CoTNetD-152 | 320 | 84.6% | [下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kO5of8IPgL4HOudLeykS6w) |\n\n加载模型后，即可像使用标准 ResNet 一样将其集成到您的检测或分割任务中。针对目标检测和实例分割的专用代码，请访问 [CoTNet 下游任务仓库](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet-ObjectDetection-InstanceSegmentation)。","某自动驾驶团队正在优化其车载视觉系统，需要在有限的计算资源下提升对复杂路况中车辆与行人的识别准确率。\n\n### 没有 CoTNet 时\n- 传统卷积神经网络（ConvNet）难以捕捉长距离的上下文依赖，导致在遮挡或密集场景下经常误判目标类别。\n- 为了提升精度强行增加网络深度，导致模型参数量和 FLOPs 激增，车载芯片推理延迟过高，无法满足实时性要求。\n- 在尝试引入标准自注意力机制时，发现显存占用过大且训练收敛缓慢，工程落地难度极高。\n- 精度与速度难以兼得，团队被迫在“看得准”和“反应快”之间做痛苦的妥协。\n\n### 使用 CoTNet 后\n- 利用 CoTNet 统一化的上下文自注意力模块替代标准卷积，模型能有效理解全局语境，显著降低了密集车流中的误检率。\n- 在同等参数量级下（如 CoTNet-50），推理速度比同类高精度骨干网络更快，完美适配车载边缘设备的算力限制。\n- 无需大幅修改现有基于 timm 的训练代码，仅替换骨干网络即可在 350 个 epoch 内快速收敛至 81.3% 的 Top-1 准确率。\n- 实现了更优的“时间 - 精度”权衡，既保证了极端天气下的识别鲁棒性，又维持了毫秒级的响应速度。\n\nCoTNet 通过融合上下文感知与高效计算，让资源受限的边缘设备也能拥有顶尖的视觉识别能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJDAI-CV_CoTNet_14e4441f.png","JDAI-CV","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FJDAI-CV_d8ba10bc.png","JDAI Computer Vision",null,"http:\u002F\u002Fair.jd.com","https:\u002F\u002Fgithub.com\u002FJDAI-CV",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.7,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0.3,539,83,"2026-03-26T17:12:24","NOASSERTION",4,"未说明","必需 NVIDIA GPU，支持 CUDA 10.1+。训练示例显示需单节点 8 张显卡，具体显存大小未说明（建议根据模型参数量配置，如 CoTNet-50 约需 8GB+）。",{"notes":99,"python":100,"dependencies":101},"该工具基于 timm 库构建，主要用于视觉识别任务。训练部分明确给出了在 8 卡环境下运行 350 个 epoch 的示例命令。必须安装 CuPy 以支持特定运算。预训练模型可通过 Google Drive 或百度网盘（提取码：cotn）下载。","3.7",[102,103,104],"PyTorch>=1.8.0","timm","CuPy",[14,26],[107,108,109,110,111,112,113,114,115,116],"imagenet","image-classification","object-detection","semantic-segmentation","instance-segmentation","mscoco","mask-rcnn","cotnet","contextual-transformer","vision-transformer","2026-03-27T02:49:30.150509","2026-04-06T09:45:02.427216",[120,125,130,135,140,145],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},13363,"训练初期精度迅速达到高点后不再提升（收敛停滞），该如何解决？","这通常是因为模型过早收敛，而指数移动平均（EMA）需要更多轮次（约 30 epochs）才能发挥作用。建议尝试以下调整：\n1. 调小 `model_ema_decay` 参数，例如设置为 0.99 或 0.999。\n2. 如果模型已经达到较高的 Top-1 准确率，也可以尝试完全关闭 EMA 进行训练。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet\u002Fissues\u002F9",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},13364,"训练时 Loss 维持在 6.9 左右不下降，无法收敛，是什么原因？","这是一个已修复的代码 Bug。原因是作者在合并其他 Transformer 模型时忘记禁用 `clip_grad` 参数，导致梯度裁剪异常。请确保使用最新版本的代码，该问题在修复后已在单卡或多卡环境下验证通过，Loss 可正常下降。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet\u002Fissues\u002F4",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},13365,"CoT Block 中聚合静态上下文时，卷积核大小对性能有何影响？是否使用了分组卷积？","论文默认采用 3x3 卷积。为了平衡速度与精度，代码中使用了分组卷积（Group Convolution）来减少 FLOPs 和参数量：\n1. `groups=4` 是速度与精度的最佳折衷方案。\n2. 标准卷积（`groups=1`）能获得稍好的结果，但计算量和参数量显著增加。\n3. 过多的分组（如 `groups=32` 或深度分离卷积）会导致性能轻微下降且无明显加速效果。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet\u002Fissues\u002F2",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},13366,"CoT Block 中的融合机制使用的是 SK Block 还是 SE Block？具体是如何工作的？","CoT Block 使用 SK (Selective Kernel) 机制来融合静态上下文 (K1) 和动态上下文 (K2)，而非简单的 SE。具体实现逻辑如下：\n1. 拼接 K1 和 K2：`x = torch.cat([x, k], dim=2)`\n2. 全局平均池化：`x_gap = x.sum(dim=2).mean((2, 3), keepdim=True)`\n3. 通过 SE 层计算注意力分数：`x_attn = self.se(x_gap)`\n4. Softmax 归一化得到融合权重：`x_attn = F.softmax(x_attn, dim=2)`\n5. 加权求和完成融合：`out = (x * x_attn.reshape(...)).sum(dim=2)`\n其核心目的是让模型自适应地选择利用局部特征还是全局特征。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet\u002Fissues\u002F11",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},13367,"CoT Block 中的 LocalConvolution 具体是指什么操作？","在 CoT Block 中，输出通道被重塑为 (Ch, kxk) 的形式。LocalConvolution 用于利用公式 3 中学习到的局部注意力矩阵，聚合每个 k×k 网格内的所有值。这是一种动态的区域感知卷积（dynamic region-aware convolution），旨在建立自注意力与动态卷积之间的联系，从而更有效地提取局部上下文信息。","https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002FCoTNet\u002Fissues\u002F10",{"id":146,"question_zh":147,"answer_zh":148,"source_url":139},13368,"为什么代码中使用 local_conv 函数生成 Values 矩阵，而不是像论文描述的那样仅使用 1x1 卷积？","虽然论文可能简化描述了注意力机制的应用，但在实际实现中，使用 `local_conv` 是为了更好地聚合局部上下文信息。这与 CoTNet 的核心设计理念一致，即通过动态生成的注意力权重来指导局部卷积操作，从而捕捉比固定 1x1 卷积更丰富的空间依赖关系。具体的融合策略是通过 SK 模块自适应地选择静态和动态上下文。",[]]