[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-LeonLok--Deep-SORT-YOLOv4":3,"tool-LeonLok--Deep-SORT-YOLOv4":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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[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":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":76,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":106,"github_topics":107,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":124,"updated_at":125,"faqs":126,"releases":167},4590,"LeonLok\u002FDeep-SORT-YOLOv4","Deep-SORT-YOLOv4","People detection and optional tracking with Tensorflow backend.","Deep-SORT-YOLOv4 是一款基于 TensorFlow 后端的人体检测与追踪开源项目。它巧妙结合了高效的 YOLOv4 检测算法与 Deep SORT 多目标追踪技术，旨在实时视频流中精准定位并持续跟踪行人轨迹。\n\n该工具重点解决了传统追踪方法中因低置信度检测导致的误报率高、轨迹不稳定等痛点。通过引入一种创新的“低置信度轨迹过滤”算法，它在确认追踪目标前会计算多次检测的平均置信度，从而大幅剔除不可靠的检测数据，显著提升追踪准确性。此外，项目还支持异步处理模式，在兼容的硬件上可将帧率从 YOLOv3 的约 4.3 FPS 提升至 10.6 FPS，实现更流畅的实时处理体验。\n\n虽然默认配置专注于人体追踪，但代码结构清晰，开发者只需修改少量参数即可轻松扩展至车辆等其他物体的检测与追踪。Deep-SORT-YOLOv4 非常适合计算机视觉领域的开发者、研究人员以及需要构建实时监控或行为分析系统的工程师使用。对于希望深入理解目标追踪原理或快速搭建原型项目的技术爱好者而言，这是一个兼具高性能与良好可定制性的优秀起点。","# Introduction\nThis project was inspired by:\n* https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort\n* https:\u002F\u002Fgithub.com\u002FMa-Dan\u002Fkeras-yolo4\n* https:\u002F\u002Fgithub.com\u002FQidian213\u002Fdeep_sort_yolov3\n\nI swapped out YOLO v3 for YOLO v4 and added the option for asynchronous processing, which significantly improves\nthe FPS. However, FPS monitoring is disabled when asynchronous processing is used since it isn't accurate.\n\nIn addition, I took the algorithm from this [paper](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8909903) and implemented it into `deep_sort\u002Ftrack.py`.\nThe original method for confirming tracks was based simply on the number of times an object has been detected without considering detection confidence, leading to high tracking false positive rates when unreliable detections occur (i.e. low confidence true positives or high confidence false positives). The track filtering algorithm reduces this significantly by calculating the average detection confidence over a set number of detections before confirming a track.\n\nSee the comparison video below.\n\n## Low confidence track filtering\n[![Comparison Video Link](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_readme_bc14f2f4f316.jpg)](https:\u002F\u002Fyoutu.be\u002F01Geud6GmB4)\n\nNavigate to the appropriate folder to use low confidence track filtering. The above video demonstrates the difference.\n\nSee the settings section for parameter instructions.\n\n## YOLO v3 and YOLO v4 comparison video with Deep SORT\n[![Comparison Video Link](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_readme_cf66fb284eed.jpg)](https:\u002F\u002Fyoutu.be\u002F_8WkO3hVOlY)\n\n## With asynchronous processing\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_readme_8aa03ca1b0f9.gif)\n\nAs you can see in the gif, asynchronous processing has better FPS but causes stuttering.\n\nThis code only detects and tracks people, but can be changed to detect other objects by changing lines 103 in `yolo.py`. For example, to detect people and cars, change\n```\nif predicted_class != 'person':\n    continue\n```\nto\n```\nif predicted_class not in ('person', 'car'):\n    continue\n```\n\n## Performance\nReal-time FPS with video writing:\n* ~4.3fps with YOLO v3\n* ~10.6fps with YOLO v4\n\nTurning off tracking gave ~12.5fps with YOLO v4.\n\nYOLO v4 performs much faster and appears to be more stable than YOLO v3. All tests were done using an Nvidia GTX 1070 8gb GPU\n and an i7-8700k CPU.\n\n# Quick start\n[Download](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT) and convert the Darknet YOLO v4 model  to a Keras model by modifying `convert.py` accordingly and run:\n```\npython convert.py\n```\nThen run demo.py:\n```\npython demo.py\n```\n\n## Settings\n\n### Normal Deep SORT\nBy default, tracking and video writing is on and asynchronous processing is off. These can be edited in `demo.py` by changing:\n```\ntracking = True\nwriteVideo_flag = True\nasyncVideo_flag = False\n```\n\nTo change target file in `demo.py`:\n```\nfile_path = 'video.webm'\n```\n\nTo change output settings in `demo.py`:\n```\nout = cv2.VideoWriter('output_yolov4.avi', fourcc, 30, (w, h))\n```\n\n### Deep SORT with low confidence track filtering\nThis version has the option to hide object detections instead of tracking. The settings in `demo.py` are\n```\nshow_detections = True\nwriteVideo_flag = True\nasyncVideo_flag = False\n```\n\nSetting `show_detections = False` will hide object detections and show the average detection confidence and the most commonly detected class for each track.\n\nTo modify the average detection threshold, go to `deep_sort\u002Ftracker.py` and change the `adc_threshold` argument on line 40. You can also change the number of steps that the detection confidence will be averaged over by changing `n_init` here.\n\n# Training your own models\n## YOLO v4\nSee https:\u002F\u002Fgithub.com\u002FMa-Dan\u002Fkeras-yolo4.\n\n## Deep SORT\nPlease note that the tracking model used here is only trained on tracking people, so you'd need to train a model yourself for tracking other objects.\n\nSee https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning for more details on training your own tracking model.\n\nFor those that want to train their own **vehicle** tracking model, I've created a tool for converting the [DETRAC](http:\u002F\u002Fdetrac-db.rit.albany.edu\u002F) dataset into a trainable format for cosine metric learning and can be found in my object tracking repository [here](https:\u002F\u002Fgithub.com\u002FLeonLok\u002FMulti-Camera-Live-Object-Tracking\u002Ftree\u002Fmaster\u002Fdetrac_tools). The tool was created using the earlier mentioned [paper](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8909903) as reference with the same parameters.\n\n# Dependencies\n* Tensorflow GPU 1.14\n* Keras 2.3.1\n* opencv-python 4.2.0\n* imutils 0.5.3\n* numpy 1.18.2\n* sklearn\n\n## Running with Tensorflow 1.14 vs 2.0\nNavigate to the appropriate folder and run python scripts. \n\n### Conda environment used for Tensorflow 2.0\n(see requirements.txt)\n* imutils                   0.5.3                    \n* keras                     2.3.1                    \n* matplotlib                3.2.1                    \n* numpy                     1.18.4                   \n* opencv-python             4.2.0.34                 \n* pillow                    7.1.2                    \n* python                    3.6.10               \n* scikit-learn              0.23.1                   \n* scipy                     1.4.1                    \n* sklearn                   0.19                     \n* tensorboard               2.2.1                    \n* tensorflow                2.0.0                    \n* tensorflow-estimator      2.1.0                    \n* tensorflow-gpu            2.2.0                    \n","# 介绍\n本项目受到以下项目的启发：\n* https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort\n* https:\u002F\u002Fgithub.com\u002FMa-Dan\u002Fkeras-yolo4\n* https:\u002F\u002Fgithub.com\u002FQidian213\u002Fdeep_sort_yolov3\n\n我将 YOLO v3 替换为 YOLO v4，并添加了异步处理选项，这显著提高了帧率。然而，在使用异步处理时，由于监控结果不准确，帧率监控功能会被禁用。\n\n此外，我还从这篇 [论文](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8909903) 中采用了相关算法，并将其实现到 `deep_sort\u002Ftrack.py` 文件中。原先的轨迹确认方法仅基于目标被检测到的次数，而未考虑检测置信度，这导致在出现不可靠检测（即低置信度的真正目标或高置信度的误检）时，跟踪误报率较高。通过在确认轨迹之前计算一定数量检测的平均置信度，该轨迹过滤算法可以显著降低这一问题。\n\n请参阅下方的对比视频。\n\n## 低置信度轨迹过滤\n[![对比视频链接](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_readme_bc14f2f4f316.jpg)](https:\u002F\u002Fyoutu.be\u002F01Geud6GmB4)\n\n请导航至相应文件夹以使用低置信度轨迹过滤功能。上述视频展示了两者的差异。\n\n有关参数说明，请参阅设置部分。\n\n## 带 Deep SORT 的 YOLO v3 和 YOLO v4 对比视频\n[![对比视频链接](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_readme_cf66fb284eed.jpg)](https:\u002F\u002Fyoutu.be\u002F_8WkO3hVOlY)\n\n## 使用异步处理\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_readme_8aa03ca1b0f9.gif)\n\n如 GIF 所示，异步处理虽然帧率更高，但会导致画面卡顿。\n\n此代码仅检测和跟踪人员，但可通过修改 `yolo.py` 文件第 103 行来检测其他对象。例如，若要同时检测人和汽车，可将\n```\nif predicted_class != 'person':\n    continue\n```\n改为\n```\nif predicted_class not in ('person', 'car'):\n    continue\n```\n\n## 性能\n实时帧率（含视频写入）：\n* 使用 YOLO v3 时约为 4.3fps\n* 使用 YOLO v4 时约为 10.6fps\n\n关闭跟踪功能后，使用 YOLO v4 可达到约 12.5fps。\n\nYOLO v4 的运行速度明显快于 YOLO v3，且表现更为稳定。所有测试均在 Nvidia GTX 1070 8GB 显卡和 i7-8700k 处理器上进行。\n\n# 快速入门\n[下载](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT) Darknet YOLO v4 模型，并通过相应修改 `convert.py` 将其转换为 Keras 模型，然后运行：\n```\npython convert.py\n```\n接着运行 demo.py：\n```\npython demo.py\n```\n\n## 设置\n\n### 普通 Deep SORT\n默认情况下，跟踪和视频写入功能已开启，异步处理功能则处于关闭状态。这些设置可在 `demo.py` 中通过更改以下内容进行调整：\n```\ntracking = True\nwriteVideo_flag = True\nasyncVideo_flag = False\n```\n\n若需更改 `demo.py` 中的目标文件路径：\n```\nfile_path = 'video.webm'\n```\n\n若需更改输出设置：\n```\nout = cv2.VideoWriter('output_yolov4.avi', fourcc, 30, (w, h))\n```\n\n### 带低置信度轨迹过滤的 Deep SORT\n此版本提供了隐藏目标检测而不进行跟踪的选项。`demo.py` 中的相关设置如下：\n```\nshow_detections = True\nwriteVideo_flag = True\nasyncVideo_flag = False\n```\n\n将 `show_detections = False` 设置后，目标检测将被隐藏，取而代之的是显示每条轨迹的平均检测置信度以及最常检测到的类别。\n\n若需调整平均检测阈值，请前往 `deep_sort\u002Ftracker.py`，修改第 40 行的 `adc_threshold` 参数。您还可以通过更改此处的 `n_init` 来调整用于计算平均置信度的检测次数。\n\n# 训练自定义模型\n## YOLO v4\n详情请参阅 https:\u002F\u002Fgithub.com\u002FMa-Dan\u002Fkeras-yolo4。\n\n## Deep SORT\n请注意，此处使用的跟踪模型仅针对人员训练，因此若需跟踪其他对象，您需要自行训练相应的模型。\n\n更多关于训练自定义跟踪模型的信息，请参阅 https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fcosine_metric_learning。\n\n对于希望训练 **车辆** 跟踪模型的用户，我开发了一款工具，可将 [DETRAC](http:\u002F\u002Fdetrac-db.rit.albany.edu\u002F) 数据集转换为适用于余弦度量学习的可训练格式，该工具位于我的多摄像头实时目标跟踪仓库中：[这里](https:\u002F\u002Fgithub.com\u002FLeonLok\u002FMulti-Camera-Live-Object-Tracking\u002Ftree\u002Fmaster\u002Fdetrac_tools)。该工具以先前提到的 [论文](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8909903) 为参考，并采用相同的参数。\n\n# 依赖项\n* Tensorflow GPU 1.14\n* Keras 2.3.1\n* opencv-python 4.2.0\n* imutils 0.5.3\n* numpy 1.18.2\n* sklearn\n\n## 使用 Tensorflow 1.14 与 2.0 运行\n请导航至相应文件夹并运行 Python 脚本。\n\n### 用于 Tensorflow 2.0 的 Conda 环境\n（见 requirements.txt）\n* imutils                   0.5.3                    \n* keras                     2.3.1                    \n* matplotlib                3.2.1                    \n* numpy                     1.18.4                   \n* opencv-python             4.2.0.34                 \n* pillow                    7.1.2                    \n* python                    3.6.10               \n* scikit-learn              0.23.1                   \n* scipy                     1.4.1                    \n* sklearn                   0.19                     \n* tensorboard               2.2.1                    \n* tensorflow                2.0.0                    \n* tensorflow-estimator      2.1.0                    \n* tensorflow-gpu            2.2.0","# Deep-SORT-YOLOv4 快速上手指南\n\nDeep-SORT-YOLOv4 是一个高效的多目标跟踪工具，结合了 YOLOv4 检测器与改进版的 Deep SORT 算法。相比原版，它支持异步处理以提升帧率（FPS），并引入了基于平均置信度的轨迹过滤机制，有效降低了误检率。默认配置主要针对行人跟踪，但可轻松扩展至其他物体（如车辆）。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Linux \u002F Windows \u002F macOS\n- **GPU**：推荐 Nvidia GPU（测试环境为 GTX 1070 8GB）\n- **CPU**：多核处理器（测试环境为 i7-8700k）\n\n### 前置依赖\n本项目主要依赖 TensorFlow 和 Keras。根据原文提供的 `requirements.txt`，推荐环境配置如下：\n\n- Python 3.6+\n- TensorFlow GPU 2.0.0 或 2.2.0 (兼容 1.14)\n- Keras 2.3.1\n- OpenCV-python 4.2.0+\n- scikit-learn, numpy, imutils, scipy 等\n\n**国内加速建议**：\n在安装 Python 依赖时，建议使用清华源或阿里源以加快下载速度：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone \u003C项目仓库地址>\n   cd Deep-SORT-YOLOv4\n   ```\n\n2. **安装 Python 依赖**\n   确保已安装上述依赖库。若未创建虚拟环境，可直接运行：\n   ```bash\n   pip install tensorflow-gpu==2.2.0 keras==2.3.1 opencv-python==4.2.0.34 imutils==0.5.3 numpy==1.18.4 scikit-learn==0.23.1 scipy==1.4.1\n   ```\n   *(注：具体版本号可根据实际环境调整，建议使用国内镜像源)*\n\n3. **下载并转换模型权重**\n   从 Google Drive 下载 Darknet 格式的 YOLOv4 权重文件：\n   [下载链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT)\n   \n   将下载的权重文件放入项目目录，然后修改 `convert.py` 以指向该权重文件路径，运行以下命令将其转换为 Keras 模型：\n   ```bash\n   python convert.py\n   ```\n\n## 基本使用\n\n### 1. 运行演示脚本\n转换完成后，直接运行 `demo.py` 即可开始对默认视频进行行人检测和跟踪：\n\n```bash\npython demo.py\n```\n\n### 2. 自定义配置\n所有核心参数均在 `demo.py` 中配置，常用修改如下：\n\n*   **切换输入视频**：\n    修改 `file_path` 变量：\n    ```python\n    file_path = 'your_video.mp4'\n    ```\n\n*   **开启\u002F关闭功能**：\n    控制跟踪、视频写入及异步处理：\n    ```python\n    tracking = True          # 是否启用跟踪\n    writeVideo_flag = True   # 是否保存输出视频\n    asyncVideo_flag = False  # 是否启用异步处理（提升 FPS 但可能导致画面卡顿）\n    ```\n\n*   **更改检测目标类别**：\n    默认仅检测行人。若要检测其他物体（如同时检测行人和汽车），需修改 `yolo.py` 第 103 行附近的逻辑：\n    \n    原代码：\n    ```python\n    if predicted_class != 'person':\n        continue\n    ```\n    \n    修改为：\n    ```python\n    if predicted_class not in ('person', 'car'):\n        continue\n    ```\n\n*   **低置信度轨迹过滤**：\n    若需使用改进的抗误检算法（隐藏低置信度检测框，显示平均置信度），在 `demo.py` 中设置：\n    ```python\n    show_detections = False\n    ```\n    如需调整平均置信度阈值或步数，请编辑 `deep_sort\u002Ftracker.py` 中的 `adc_threshold` 和 `n_init` 参数。\n\n### 3. 输出结果\n程序运行结束后，将在当前目录生成名为 `output_yolov4.avi` 的跟踪结果视频（若 `writeVideo_flag` 设为 `True`）。","某智慧园区安保团队正在利用监控摄像头实时统计人流并追踪可疑人员轨迹，以优化巡逻路线和应急响应。\n\n### 没有 Deep-SORT-YOLOv4 时\n- **误报率高**：传统算法仅凭检测次数确认目标，导致低置信度的噪点（如光影变化）被错误标记为行人，产生大量虚假轨迹。\n- **处理速度慢**：使用旧版 YOLO v3 模型，在 GTX 1070 显卡上帧率仅约 4.3 FPS，画面严重卡顿，无法捕捉快速移动的目标。\n- **数据不可靠**：缺乏对检测置信度的平均过滤机制，系统难以区分短暂出现的干扰物与真实人员，导致统计数据失真。\n- **功能扩展难**：代码硬编码仅支持“行人”检测，若想同时追踪车辆，需深度修改源码，开发门槛高。\n\n### 使用 Deep-SORT-YOLOv4 后\n- **轨迹更精准**：引入低置信度轨迹过滤算法，通过计算多次检测的平均置信度来确认目标，大幅消除了因不稳定检测产生的误报。\n- **实时性提升**：升级至 YOLO v4 并结合异步处理技术，帧率提升至 10.6 FPS，实现了更流畅的实时视频分析。\n- **决策更智能**：系统能自动隐藏低质量检测框，仅展示高可信度的追踪结果，让安保人员聚焦于真实威胁。\n- **灵活可定制**：只需简单修改几行代码（如调整 `predicted_class` 判断），即可轻松扩展支持车辆等多类目标的混合追踪。\n\nDeep-SORT-YOLOv4 通过算法优化与模型升级，将原本卡顿且误报频发的人流监控系统，转变为高效、精准且易于扩展的实时安防利器。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLeonLok_Deep-SORT-YOLOv4_cf66fb28.jpg","LeonLok","Leon Lok","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLeonLok_a0a11895.jpg","Data Scientist",null,"Leeds","leonlokk","www.youtube.com\u002Fleonlokk","https:\u002F\u002Fgithub.com\u002FLeonLok",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,501,169,"2026-01-26T18:52:55","GPL-3.0",4,"未说明","需要 NVIDIA GPU，测试环境为 GTX 1070 (8GB)，需安装 tensorflow-gpu",{"notes":94,"python":95,"dependencies":96},"该项目支持 TensorFlow 1.14 和 2.0+ 两种环境，需根据版本进入对应文件夹运行。默认模型仅针对‘人’进行检测和跟踪，若需检测其他物体（如汽车），需修改 yolo.py 代码或自行训练 Deep SORT 跟踪模型。使用异步处理模式可提升帧率但可能导致画面卡顿，且此时帧率监控不准确。需手动下载并转换 Darknet YOLO v4 模型为 Keras 格式后方可运行。","3.6.10+",[97,98,99,100,101,102,103,104,105],"tensorflow-gpu>=2.0.0","keras==2.3.1","opencv-python>=4.2.0","imutils==0.5.3","numpy>=1.18.2","scikit-learn","scipy","matplotlib","pillow",[14,15],[108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,123],"yolov4","deep-sort","deep-sort-tracking","people-tracker","people-tracking","asynchronous","asynchronous-io","yolo","tensorflow","asynchronous-processing","tracking-algorithm","object-detection","object-tracking","tensorflow2","detection-algorithm","yolov3","2026-03-27T02:49:30.150509","2026-04-07T04:10:38.205822",[127,132,137,142,147,152,157,162],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},20867,"运行代码时遇到 'No module named sklearn.utils.linear_assignment' 错误如何解决？","这是因为 scikit-learn 版本不兼容。你需要将 scikit-learn 降级到 0.19 版本。请运行命令：`pip install scikit-learn==0.19`。维护者已更新依赖信息以反映此要求。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F18",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},20865,"如何为自定义 Keras 模型生成 YOLO anchors？","如果你不想使用 Darknet，可以使用 Ma-Dan 仓库中的 `train.py`。或者，你需要先使用 Darknet 训练 YOLO v4 模型，然后使用 `convert.py` 将权重转换为 Keras 格式。请确保 `yolo.py` 中的配置设置与你训练模型时的设置一致。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F10",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},20866,"将 yolo-obj.weights 转换为 .h5 模型时出现 'buffer is too small' 错误怎么办？","这个问题通常是因为项目中不同文件夹（如 `tensorflow2.0\u002Fdeep-sort-yolov4` 和 `tensorflow2.0\u002Fdeep-sort-yolov4-low-confidence-track-filtering`）下的 `convert.py` 代码不一致导致的。请检查并统一 `convert.py` 中关于层名称判断的逻辑（例如 `conv2d_` 与 `conv2d`，`batch_normalization_` 与 `batch_normalization` 的区别），确保使用的是正确版本的转换脚本。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F12",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},20868,"修复 sklearn 版本后，出现 'tuple indices must be integers or slices, not tuple' 错误怎么办？","即使切换了导入路径，代码逻辑可能仍需调整。建议修改 `deep_sort\u002Flinear_assignment.py` 文件，将导入语句从 `sklearn.utils.linear_assignment_ import linear_assignment` 改为 `from scipy.optimize import linear_sum_assignment as linear_assignment`，并确保后续调用 `linear_assignment` 返回值的索引方式适配 scipy 的返回格式（scipy 返回的是行索引和列索引两个数组，而非单个元组数组）。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F30",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},20869,"为什么使用自定义 Keras 模型进行跟踪时无法检测到目标或报错？","首先确认你的类别名称是否已正确添加到配置文件中（参考 `yolo.py` 第 103 行附近的类别加载逻辑）。YOLO 本身负责检测，Deep SORT 负责跟踪。如果转换权重成功但无法跟踪，请检查 `classes_path` 指向的文件是否包含你训练的所有类别标签，且顺序与训练时一致。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F13",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},20870,"在 TensorFlow 2 环境下运行代码遇到问题，有解决方案吗？","如果你使用的是 TensorFlow 2 (TF2)，请参考 Issue #21 中的讨论和修复方案。许多兼容性问题（如模型加载、算子支持）在 TF2 环境下需要通过特定的补丁或代码调整来解决，社区在该 Issue 中提供了针对 TF2 的修复指引。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F15",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},20871,"我想使用自己训练的 YOLOv3 Keras 模型进行跟踪，该如何操作？","当前仓库主要针对 YOLOv4。如果你使用的是 YOLOv3 模型，建议参考专门的 YOLOv3 Deep SORT 实现仓库：https:\u002F\u002Fgithub.com\u002FQidian213\u002Fdeep_sort_yolov3，该仓库对 YOLOv3 模型有更好的兼容性支持。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F9",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},20872,"代码运行速度非常慢（FPS 低），是否正常？","YOLOv4 相比 YOLOv3 精度更高但计算量更大，因此速度较慢是正常现象。用户反馈在 GTX 950 上约为 3-4 FPS，GTX 1060 上可达 10 FPS（720p 视频）。如果追求速度，可以考虑降低输入分辨率或使用 YOLOv3 版本；如果追求精度，当前速度属于预期范围。","https:\u002F\u002Fgithub.com\u002FLeonLok\u002FDeep-SORT-YOLOv4\u002Fissues\u002F19",[]]