[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-KichangKim--DeepDanbooru":3,"tool-KichangKim--DeepDanbooru":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":79,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":112,"github_topics":113,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":152},3623,"KichangKim\u002FDeepDanbooru","DeepDanbooru","AI based multi-label girl image classification system, implemented by using TensorFlow.","DeepDanbooru 是一款基于 TensorFlow 构建的开源人工智能系统，专门用于自动识别和分析动漫风格的女性角色图像。它的核心功能是对输入的图片进行多标签分类，能够精准地预测并输出描述画面内容的标签（如\"1girl\"、\"long_hair\"、\"blue_eyes\"等），其逻辑源自著名的动漫图片社区 Danbooru。\n\n这一工具主要解决了人工为海量动漫素材添加描述标签效率低下且标准不一的痛点。通过深度学习模型，它能将非结构化的图像数据转化为标准化的文本标签，极大地提升了图像检索、数据集整理以及生成式 AI 提示词（Prompt）编写的效率。\n\nDeepDanbooru 非常适合开发者、AI 研究人员以及需要处理大量动漫素材的设计师使用。对于 Stable Diffusion 等绘图模型的用户而言，它更是逆向解析图片特征、辅助编写高质量提示词的得力助手。虽然项目也提供了在线演示供普通用户体验，但其核心价值在于支持本地部署与自定义训练。\n\n在技术亮点方面，DeepDanbooru 不仅提供了预训练模型，还具备完整的训练流水线。用户可以利用 Danbooru 的海量数据或构建自有","DeepDanbooru 是一款基于 TensorFlow 构建的开源人工智能系统，专门用于自动识别和分析动漫风格的女性角色图像。它的核心功能是对输入的图片进行多标签分类，能够精准地预测并输出描述画面内容的标签（如\"1girl\"、\"long_hair\"、\"blue_eyes\"等），其逻辑源自著名的动漫图片社区 Danbooru。\n\n这一工具主要解决了人工为海量动漫素材添加描述标签效率低下且标准不一的痛点。通过深度学习模型，它能将非结构化的图像数据转化为标准化的文本标签，极大地提升了图像检索、数据集整理以及生成式 AI 提示词（Prompt）编写的效率。\n\nDeepDanbooru 非常适合开发者、AI 研究人员以及需要处理大量动漫素材的设计师使用。对于 Stable Diffusion 等绘图模型的用户而言，它更是逆向解析图片特征、辅助编写高质量提示词的得力助手。虽然项目也提供了在线演示供普通用户体验，但其核心价值在于支持本地部署与自定义训练。\n\n在技术亮点方面，DeepDanbooru 不仅提供了预训练模型，还具备完整的训练流水线。用户可以利用 Danbooru 的海量数据或构建自有数据集，通过简单的命令行接口调整参数、下载标签列表并重新训练模型，从而打造出适应特定画风或需求的专属识别系统。这种高度的可定制性使其成为动漫领域图像分析的重要基础工具。","# DeepDanbooru\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.11-green)](https:\u002F\u002Fwww.python.org\u002Fdoc\u002Fversions\u002F)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FKichangKim\u002FDeepDanbooru)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n[![Web](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fweb%20demo-20200915-brightgreen)](http:\u002F\u002Fkanotype.iptime.org:8003\u002Fdeepdanbooru\u002F)\n\n**DeepDanbooru** is anime-style girl image tag estimation system. You can estimate your images on my live demo site, [DeepDanbooru Web](http:\u002F\u002Fdev.kanotype.net:8003\u002Fdeepdanbooru\u002F).\n\n## Requirements\nDeepDanbooru is written by Python 3.11. Following packages are need to be installed.\n- Click>=8.1.7\n- numpy>=1.26.4\n- requests>=2.32.3\n- scikit-image>=0.24.0\n- six>=1.16.0\n- tensorflow>=2.17.0\n- tensorflow-io>=0.31.0\n\nOr just use `requirements.txt`.\n```\n> pip install -r requirements.txt\n```\n\nalternatively you can install it with pip. Note that by default, tensorflow is not included.\n\nTo install it with tensorflow, add `tensorflow` extra package.\n\n```\n> # default installation\n> pip install .\n> # with tensorflow package\n> pip install .[tensorflow]\n```\n\n\n## Usage\n1. Prepare dataset. If you don't have, you can use [DanbooruDownloader](https:\u002F\u002Fgithub.com\u002FKichangKim\u002FDanbooruDownloader) for download the dataset of [Danbooru](https:\u002F\u002Fdanbooru.donmai.us\u002F). If you want to make your own dataset, see [Dataset Structure](#dataset-structure) section.\n2. Create training project folder.\n```\n> deepdanbooru create-project [your_project_folder]\n```\n3. Prepare tag list. If you want to use latest tags, use following command. It downloads tag from Danbooru server. (Need Danbooru account and API key)\n```\n> deepdanbooru download-tags [your_project_folder] --username [your_danbooru_account] --api-key [your_danbooru_api_key]\n```\n4. (Option) Filtering dataset. If you want to train with optional tags (rating and score), you should convert it as system tags.\n```\n> deepdanbooru make-training-database [your_dataset_sqlite_path] [your_filtered_sqlite_path]\n```\n5. Modify `project.json` in the project folder. You should change `database_path` setting to your actual sqlite file path.\n6. Start training.\n```\n> deepdanbooru train-project [your_project_folder]\n```\n7. Enjoy it.\n```\n> deepdanbooru evaluate [image_file_path or folder]... --project-path [your_project_folder] --allow-folder\n```\n\n## Dataset Structure\nDeepDanbooru uses following folder structure for input dataset. SQLite file can be any name, but must be located in same folder to `images` folder. All of image files are located in sub-folder which named first 2 characters of its filename.\n```\nMyDataset\u002F\n├── images\u002F\n│   ├── 00\u002F\n│   │   ├── 00000000000000000000000000000000.jpg\n│   │   ├── ...\n│   ├── 01\u002F\n│   │   ├── 01000000000000000000000000000000.jpg\n│   │   ├── ...\n│   └── ff\u002F\n│       ├── ff000000000000000000000000000000.jpg\n│       ├── ...\n└── my-dataset.sqlite\n```\nThe core is SQLite database file. That file must be contains following table structure.\n```\nposts\n├── id (INTEGER)\n├── md5 (TEXT)\n├── file_ext (TEXT)\n├── tag_string (TEXT)\n└── tag_count_general (INTEGER)\n```\nThe filename of image must be `[md5].[file_ext]`. If you use your own images, `md5` don't have to be actual MD5 hash value.\n\n`tag_string` is space splitted tag list, like `1girl ahoge long_hair`.\n\n`tag_count_general` is used for the project setting, `minimum_tag_count`. Images which has equal or larger value of `tag_count_general` are used for training.\n\n## Project Structure\n**Project** is minimal unit for training on DeepDanbooru. You can modify various parameters for training.\n```\nMyProject\u002F\n├── project.json\n└── tags.txt\n```\n`tags.txt` contains all tags for estimating. You can make your own list or download latest tags from Danbooru server. It is simple newline-separated file like this:\n```\n1girl\nahoge\n...\n```\n","# DeepDanbooru\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.11-green)](https:\u002F\u002Fwww.python.org\u002Fdoc\u002Fversions\u002F)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FKichangKim\u002FDeepDanbooru)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n[![Web](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fweb%20demo-20200915-brightgreen)](http:\u002F\u002Fkanotype.iptime.org:8003\u002Fdeepdanbooru\u002F)\n\n**DeepDanbooru** 是一个用于动漫风格女孩图像标签估计的系统。您可以在我的在线演示站点 [DeepDanbooru Web](http:\u002F\u002Fdev.kanotype.net:8003\u002Fdeepdanbooru\u002F) 上对您的图片进行标签估计。\n\n## 需求\nDeepDanbooru 使用 Python 3.11 编写。需要安装以下软件包：\n- Click>=8.1.7\n- numpy>=1.26.4\n- requests>=2.32.3\n- scikit-image>=0.24.0\n- six>=1.16.0\n- tensorflow>=2.17.0\n- tensorflow-io>=0.31.0\n\n或者直接使用 `requirements.txt` 文件：\n```\n> pip install -r requirements.txt\n```\n\n也可以通过 pip 安装。请注意，默认情况下不包含 TensorFlow。\n\n如果要安装包含 TensorFlow 的版本，可以添加 `tensorflow` 附加包：\n```\n> # 默认安装\n> pip install .\n> # 包含 TensorFlow 的安装\n> pip install .[tensorflow]\n```\n\n\n## 使用方法\n1. 准备数据集。如果没有现成的数据集，可以使用 [DanbooruDownloader](https:\u002F\u002Fgithub.com\u002FKichangKim\u002FDanbooruDownloader) 从 [Danbooru](https:\u002F\u002Fdanbooru.donmai.us\u002F) 下载数据集。如果您想创建自己的数据集，请参阅“数据集结构”部分。\n2. 创建训练项目文件夹。\n```\n> deepdanbooru create-project [your_project_folder]\n```\n3. 准备标签列表。如果想要使用最新的标签，可以运行以下命令，它会从 Danbooru 服务器下载标签。（需要 Danbooru 账号和 API 密钥）\n```\n> deepdanbooru download-tags [your_project_folder] --username [your_danbooru_account] --api-key [your_danbooru_api_key]\n```\n4. （可选）过滤数据集。如果希望使用特定标签（如评分和分数）进行训练，需要将其转换为系统标签。\n```\n> deepdanbooru make-training-database [your_dataset_sqlite_path] [your_filtered_sqlite_path]\n```\n5. 修改项目文件夹中的 `project.json` 文件。将 `database_path` 设置更改为实际的 SQLite 数据库文件路径。\n6. 开始训练。\n```\n> deepdanbooru train-project [your_project_folder]\n```\n7. 享受成果。\n```\n> deepdanbooru evaluate [image_file_path or folder]... --project-path [your_project_folder] --allow-folder\n```\n\n## 数据集结构\nDeepDanbooru 对输入数据集采用如下文件夹结构。SQLite 文件名可以任意，但必须与 `images` 文件夹位于同一目录下。所有图片文件都存放在以文件名前两位字符命名的子文件夹中。\n```\nMyDataset\u002F\n├── images\u002F\n│   ├── 00\u002F\n│   │   ├── 00000000000000000000000000000000.jpg\n│   │   ├── ...\n│   ├── 01\u002F\n│   │   ├── 01000000000000000000000000000000.jpg\n│   │   ├── ...\n│   └── ff\u002F\n│       ├── ff000000000000000000000000000000.jpg\n│       ├── ...\n└── my-dataset.sqlite\n```\n核心是 SQLite 数据库文件。该文件必须包含以下表结构：\n```\nposts\n├── id (INTEGER)\n├── md5 (TEXT)\n├── file_ext (TEXT)\n├── tag_string (TEXT)\n└── tag_count_general (INTEGER)\n```\n图片的文件名应为 `[md5].[file_ext]`。如果您使用的是自有图片，`md5` 不必是真实的 MD5 哈希值。\n\n`tag_string` 是用空格分隔的标签列表，例如 `1girl ahoge long_hair`。\n\n`tag_count_general` 用于项目的 `minimum_tag_count` 设置。标签数量大于或等于此值的图片将被用于训练。\n\n## 项目结构\n**项目**是 DeepDanbooru 中进行训练的最小单位。您可以修改各种训练参数。\n```\nMyProject\u002F\n├── project.json\n└── tags.txt\n```\n`tags.txt` 包含所有用于估计的标签。您可以自行创建标签列表，也可以从 Danbooru 服务器下载最新标签。这是一个简单的每行一个标签的文件，如下所示：\n```\n1girl\nahoge\n...\n```","# DeepDanbooru 快速上手指南\n\nDeepDanbooru 是一个基于深度学习的动漫风格图像标签估算系统，可自动识别图片中的角色、特征及属性标签。\n\n## 环境准备\n\n*   **操作系统**：支持 Windows、Linux 或 macOS。\n*   **Python 版本**：必须使用 **Python 3.11**。\n*   **核心依赖**：系统主要依赖 TensorFlow 2.17+ 及相关科学计算库。\n    *   建议国内用户使用清华源或阿里源加速安装过程。\n\n## 安装步骤\n\n### 方式一：通过源码安装（推荐）\n\n克隆项目或直接下载源码后，在终端执行以下命令。\n\n**1. 安装基础依赖（不含 TensorFlow，适合已有 TF 环境的用户）：**\n```bash\npip install -r requirements.txt\n# 或者使用国内镜像源\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**2. 完整安装（包含 TensorFlow）：**\n若未安装 TensorFlow，建议使用以下命令一键安装所有必要组件：\n```bash\npip install .[tensorflow] -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：通过 Pip 直接安装\n```bash\n# 默认安装\npip install .\n# 包含 TensorFlow 的安装\npip install .[tensorflow]\n```\n\n## 基本使用\n\n本指南介绍如何使用预训练模型对本地图片进行标签评估（无需重新训练）。\n\n### 1. 准备项目文件夹\n首先需要创建一个包含模型配置的项目文件夹。如果你已有训练好的项目文件夹，可跳过此步直接使用。\n```bash\ndeepdanbooru create-project my_project\n```\n*注：若要使用官方最新标签列表，需配置 Danbooru API Key 下载，否则可使用默认生成的 `tags.txt`。*\n\n### 2. 执行图像评估\n使用 `evaluate` 命令对单张图片或整个文件夹进行分析。\n\n**评估单张图片：**\n```bash\ndeepdanbooru evaluate image.jpg --project-path my_project\n```\n\n**评估文件夹内所有图片：**\n```bash\ndeepdanbooru evaluate .\u002Fimages_folder --project-path my_project --allow-folder\n```\n\n**输出示例：**\n系统将输出类似以下的标签及其置信度：\n```text\n0.99 1girl\n0.95 long_hair\n0.88 blue_eyes\n...\n```\n\n### 进阶：自定义数据集与训练（简述）\n若需训练自己的模型，流程如下：\n1.  **准备数据**：图片需按 `images\u002Fxx\u002Ffilename.ext` 结构存放，并配套包含 `posts` 表的 SQLite 数据库。\n2.  **创建项目**：`deepdanbooru create-project [project_path]`\n3.  **下载标签**：`deepdanbooru download-tags [project_path] --username [user] --api-key [key]`\n4.  **配置路径**：修改项目文件夹下的 `project.json`，将 `database_path` 指向你的 SQLite 文件。\n5.  **开始训练**：`deepdanbooru train-project [project_path]`","某二次元游戏开发团队需要为内部素材库中的数万张动漫角色立绘建立检索系统，以便美术人员快速查找特定特征（如“双马尾”、“异色瞳”）的参考图。\n\n### 没有 DeepDanbooru 时\n- **人工标注效率极低**：美术助理需逐张打开图片手动输入标签，处理一万张图片耗时数周，严重拖慢项目进度。\n- **主观标准不统一**：不同人员对“长发”或“微笑”的定义存在偏差，导致搜索“长发角色”时漏掉大量符合预期的图片。\n- **历史数据难以利用**：过往积累的海量无标签素材沉睡在硬盘中，无法通过关键词检索，只能靠记忆或文件夹名称盲目寻找。\n- **维护成本高昂**：一旦需要新增标签类别（如新增服装风格），必须重新投入人力对所有图片进行二次筛查。\n\n### 使用 DeepDanbooru 后\n- **批量自动化打标**：利用预训练模型一键扫描整个素材文件夹，几分钟内即可为数千张图片生成包含数十个维度的精准标签（如 `1girl`, `blue_eyes`, `school_uniform`）。\n- **标签标准化输出**：基于 Danbooru 社区的标准标签体系，确保所有图片的描述术语一致，极大提升了检索的查全率和查准率。\n- **激活存量资产**：迅速将原本无序的图片库转化为可查询的结构化数据库，美术人员可通过组合标签秒级定位所需参考图。\n- **灵活扩展训练**：若团队有特殊风格需求，可使用自有数据集微调模型，让标签系统随项目迭代自动进化，无需重复人工劳动。\n\nDeepDanbooru 将繁琐的非结构化图像整理工作转化为高效的自动化流程，让创意团队从机械劳动中解放出来，专注于核心创作。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKichangKim_DeepDanbooru_aefcce0b.png","KichangKim","Kichang Kim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKichangKim_665b7ed4.png",null,"Tokyo, Japan","admin@kanotype.net","http:\u002F\u002Fwww.kanotype.net\u002F","https:\u002F\u002Fgithub.com\u002FKichangKim",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",99.7,{"name":90,"color":91,"percentage":92},"Batchfile","#C1F12E",0.3,2907,268,"2026-04-04T19:52:36","MIT",4,"","未说明（依赖 TensorFlow，通常训练阶段需要 GPU，但 README 未明确具体型号或显存要求）","未说明",{"notes":102,"python":103,"dependencies":104},"默认安装不包含 TensorFlow，需使用 `pip install .[tensorflow]` 进行安装。训练前需准备 Danbooru 数据集及对应的 SQLite 数据库文件，若需下载最新标签列表，必须提供 Danbooru 账号和 API Key。图像文件需按文件名前两位字符分文件夹存放。","3.11",[105,106,107,108,109,110,111],"Click>=8.1.7","numpy>=1.26.4","requests>=2.32.3","scikit-image>=0.24.0","six>=1.16.0","tensorflow>=2.17.0","tensorflow-io>=0.31.0",[13],[114,115,116],"danbooru","tensorflow","machine-learning","2026-03-27T02:49:30.150509","2026-04-06T07:11:58.752591",[120,125,130,135,140,144,148],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},16625,"DeepDanbooru 能否检测真人图片中的特征（如黑丝袜）？","该模型是使用数百万张动漫图片训练的，直接用于真人图片可能效果不佳或需要额外调整。如果需要检测特定特征（如黑丝袜），建议准备包含该特征的图片数据集并重新训练模型。对于负样本（不包含该特征的图片），不需要专门创建“无黑丝袜”标签，但提供多样化的非目标图片有助于模型更好地区分特征。所需图片数量取决于具体任务，不一定需要百万级，但数据量越大通常效果越好。","https:\u002F\u002Fgithub.com\u002FKichangKim\u002FDeepDanbooru\u002Fissues\u002F45",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},16626,"训练时应该如何选择和过滤训练素材？","训练素材应主要包含高质量的插画。建议从数据集中移除线稿（LineArts）、黑白图片、漫画、同人志、带有对话气泡或文字的图片以及封面图等非标准插画内容，以避免干扰模型学习。保持数据集的纯净度有助于提高模型的准确率。","https:\u002F\u002Fgithub.com\u002FKichangKim\u002FDeepDanbooru\u002Fissues\u002F12",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},16627,"如何在自定义 Python 代码中调用 DeepDanbooru 进行评估？","DeepDanbooru 的核心功能是普通的 Python 方法，可以直接在代码中调用。常用参数包括：`allow_gpu`（若拥有兼容 CUDA 的 GPU 则设为 True 以启用加速）、`compile_model`（对应 TensorFlow 的 model.compile 标志）、`allow_folder`（是否处理文件夹）、`folder_filters`（文件过滤规则）和 `verbose`（详细输出模式）。建议在使用前先阅读 TensorFlow 官方教程以了解基础概念。","https:\u002F\u002Fgithub.com\u002FKichangKim\u002FDeepDanbooru\u002Fissues\u002F39",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},16628,"遇到 GPU 性能突然下降或利用率为零的情况该如何解决？","这通常是硬件问题或过热降频导致的。首先检查 GPU 温度和散热风扇状态。如果温度正常但问题依旧，尝试完全重启计算机。日志中显示的设备识别信息（如 libamdhip64.so 加载成功）表明驱动正常，因此重点应放在硬件运行状态排查上。","https:\u002F\u002Fgithub.com\u002FKichangKim\u002FDeepDanbooru\u002Fissues\u002F42",{"id":141,"question_zh":142,"answer_zh":143,"source_url":129},16629,"如何实现评估时的图像裁剪（Evaluation-time cropping）以提高检测精度？","Web 演示版实现了评估时裁剪，但这并非 deepdanbooru 核心库的内置功能。用户可以自行使用 numpy 的子数组功能实现：将输入图像裁剪为多个小区域分别进行评估，然后取所有结果中的最高分作为最终得分。注意，某些标签（如数量相关、上下方位、边框相关标签）会受裁剪影响，需要在后处理中忽略或控制这些标签。此方法会增加计算时间，耗时取决于子区域的数量。",{"id":145,"question_zh":146,"answer_zh":147,"source_url":124},16630,"应该使用哪个版本的模型以获得最佳稳定性？","v4 模型目前处于实验阶段，可能存在不稳定的情况。维护者强烈推荐使用 v3 版本以获得更稳定的体验。可以在项目的 Release 页面（如 v3-20200915-sgd-e30）找到 v3 模型的参数文件和预训练权重，其中包含 web-demo 当前使用的 `project.json` 配置。",{"id":149,"question_zh":150,"answer_zh":151,"source_url":129},16631,"minibatch_size 参数的作用是什么？增大它是否能提高学习准确率？","`minibatch_size` 即经典的批大小（Batchsize）参数，决定了每次迭代用于计算梯度的样本数量。虽然理论上增大批大小有时能带来更稳定的梯度估计，但其对最终学习准确率的影响取决于具体数据集和优化器设置，并非绝对正相关。在训练日志中可以看到不同版本模型在不同批次大小下的 Loss、Precision、Recall 和 F1 分数变化，需根据显存容量和训练速度进行权衡。",[153,158,163,168,173],{"id":154,"version":155,"summary_zh":156,"released_at":157},98894,"v3-20211112-sgd-e28","预训练的 Deep Danbooru 模型。\n\n- 网络类型：DeepDanbooru v3\n- 数据集：20211112\n- 优化器：SGD\n- 使用的轮数：28\n\nGPU 由 RTX 2080 Ti 更换为 RTX 3070。","2022-02-03T13:55:45",{"id":159,"version":160,"summary_zh":161,"released_at":162},98895,"v3-20200915-sgd-e30","预训练的 Deep Danbooru 模型。\n\n* 网络类型：DeepDanbooru v3\n* 数据集：20200915\n* 优化器：SGD\n* 使用的轮数：30","2020-11-04T23:03:04",{"id":164,"version":165,"summary_zh":166,"released_at":167},98896,"v4-20200814-sgd-e30","预训练的 Deep Danbooru 模型。\n\n* 网络类型：DeepDanbooru v4\n* 数据集：20200814\n* 优化器：SGD\n* 使用的轮数：30","2020-09-13T22:34:58",{"id":169,"version":170,"summary_zh":171,"released_at":172},98897,"v3-20200101-sgd-e30","预训练的 Deep Danbooru 模型。\n\n* 网络类型：DeepDanbooru v3\n* 数据集：20200101\n* 优化器：SGD\n* 使用的轮数：30","2020-02-04T13:11:25",{"id":174,"version":175,"summary_zh":176,"released_at":177},98898,"v1-20191108-sgd-e30","预训练的 Deep Danbooru 模型。\n* 网络类型：DeepDanbooru v1\n* 数据集：20191108\n* 优化器：SGD\n* 使用的轮数：30\n","2019-12-22T02:27:59"]