[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MarvinTeichmann--ConvCRF":3,"tool-MarvinTeichmann--ConvCRF":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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":109,"github_topics":110,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":118},3417,"MarvinTeichmann\u002FConvCRF","ConvCRF","This repository contains the reference implementation for our proposed Convolutional CRFs.","ConvCRF 是一个基于 PyTorch 实现的开源项目，旨在提供高效的“卷积条件随机场”（Convolutional CRFs）算法参考。在图像分割任务中，传统的全连接 CRF（FullCRF）虽然能优化物体边缘细节，但计算速度较慢，难以满足实时性需求。ConvCRF 通过将 CRF 的高斯核操作转化为标准的卷积层，巧妙地解决了这一痛点，在保持甚至提升分割精度的同时，大幅提升了推理速度。基准测试显示，其运行效率可比传统方法快数十倍。\n\n该项目特别适合从事计算机视觉研究的科研人员、深度学习开发者以及需要优化图像分割后端处理流程的工程师使用。其核心技术亮点在于利用现代深度学习框架的原生能力（如 PyTorch 0.4+ 的 Im2Col 机制），将复杂的概率图模型运算无缝集成到神经网络中，既支持端到端训练，又无需依赖繁琐的外部 C++ 扩展。除了提供单图推理演示，ConvCRF 还内置了与传统 FullCRF 的性能对比脚本，方便用户直观评估加速效果。对于希望在不牺牲精度的前提下显著加快图像处理速度的技术团队来说，这是一个极具价值的工具。","ConvCRF\n========\nThis repository contains the reference implementation for our proposed [Convolutional CRFs][4] in PyTorch (Tensorflow planned). The two main entry-points are [demo.py](demo.py) and [benchmark.py](benchmark.py). Demo.py performs ConvCRF inference on a single input image while benchmark.py compares ConvCRF with FullCRF. Both scripts output plots similar to the one shown below.\n\n![Example Output](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMarvinTeichmann_ConvCRF_readme_9115931e462d.png)\n\nRequirements\n-------------\n\n**Plattform**: *Linux, python3 >= 3.4 (or python2 >= 2.7), pytorch 0.4 (or pytorch 0.3 + pyinn), cuda, cudnn*\n\n**Python Packages**: *numpy, imageio, cython, scikit-image, matplotlib*\n\nTo install those python packages run `pip install -r requirements.txt` or `pip install numpy imageio cython scikit-image matplotlib`. I recommand using a [python virtualenv][1].\n\n### Optional Packages: pyinn, pydensecrf\n\n[**Pydensecrf**][2] is required to run FullCRF, which is only needed for the benchmark. To install pydensecrf, follow the instructions [here][2] or simply run `pip install git+https:\u002F\u002Fgithub.com\u002Flucasb-eyer\u002Fpydensecrf.git`. **Warning** Running `pip install git+` downloads and installs external code from the internet.\n\n[**PyINN**][3] allows us to write native cuda operations and compile them on-the-fly during runtime. PyINN is used for our initial ConvCRF implementation and required for PyTorch 0.3 users. PyTorch 0.4 introduces an Im2Col layer, making it possible to implement ConvCRFs entirely in PyTorch. PyINN can be used as alternative backend. Run `pip install git+https:\u002F\u002Fgithub.com\u002Fszagoruyko\u002Fpyinn.git@master` to install PyINN.\n\n\nExecute\n--------\n\n**Demo**: Run `python demo.py data\u002F2007_001288_0img.png data\u002F2007_001288_5labels.png` to perform ConvCRF inference on a single image. Try `python demo.py --help` to see more options.\n\n**Benchmark**: Run `python benchmark.py data\u002F2007_001288_0img.png data\u002F2007_001288_5labels.png` to compare the performance of ConvCRFs to FullCRFs. This script will also tell you how much faster ConvCRFs are. On my system ConvCRF7 is more then **40** and ConvCRF5 more then **60** times faster.\n\n\nCitation\n--------\nIf you benefit from this project, please consider citing our [paper][4]. \n\nTODO\n-----\n\n- [x] Build a native PyTorch 0.4 implementation of ConvCRF\n- [x] Provide python 2 implementation\n- [ ] Build a Tensorflow implementation of ConvCRF\n\n\n\n[1]: https:\u002F\u002Fvirtualenvwrapper.readthedocs.io\u002Fen\u002Flatest\u002F\n[2]: https:\u002F\u002Fgithub.com\u002Flucasb-eyer\u002Fpydensecrf\n[3]: https:\u002F\u002Fgithub.com\u002Fszagoruyko\u002Fpyinn\n[4]: https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.04777\n","ConvCRF\n========\n本仓库包含我们在 PyTorch 中提出的[卷积条件随机场][4]的参考实现（TensorFlow 版本正在计划中）。两个主要的入口文件是 [demo.py](demo.py) 和 [benchmark.py](benchmark.py)。`demo.py` 对单张输入图像执行 ConvCRF 推断，而 `benchmark.py` 则将 ConvCRF 与 FullCRF 进行对比。这两个脚本都会输出类似于下方所示的图表。\n\n![示例输出](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMarvinTeichmann_ConvCRF_readme_9115931e462d.png)\n\n要求\n-----\n\n**平台**: *Linux, Python 3 >= 3.4（或 Python 2 >= 2.7）、PyTorch 0.4（或 PyTorch 0.3 + pyinn）、CUDA、cuDNN*\n\n**Python 包**: *numpy、imageio、cython、scikit-image、matplotlib*\n\n要安装这些 Python 包，请运行 `pip install -r requirements.txt` 或 `pip install numpy imageio cython scikit-image matplotlib`。建议使用 [Python 虚拟环境][1]。\n\n### 可选包：pyinn、pydensecrf\n\n[**pydensecrf**][2] 是运行 FullCRF 所必需的，而 FullCRF 仅在基准测试中需要。要安装 pydensecrf，可以按照 [此处][2] 的说明操作，或者直接运行 `pip install git+https:\u002F\u002Fgithub.com\u002Flucasb-eyer\u002Fpydensecrf.git`。**警告**：运行 `pip install git+` 会从互联网下载并安装外部代码。\n\n[**PyINN**][3] 允许我们编写原生 CUDA 操作，并在运行时即时编译。PyINN 用于我们最初的 ConvCRF 实现，对使用 PyTorch 0.3 的用户来说是必需的。PyTorch 0.4 引入了 Im2Col 层，使得完全在 PyTorch 中实现 ConvCRF 成为可能。PyINN 可以作为替代后端使用。运行 `pip install git+https:\u002F\u002Fgithub.com\u002Fszagoruyko\u002Fpyinn.git@master` 即可安装 PyINN。\n\n\n执行\n--------\n\n**演示**: 运行 `python demo.py data\u002F2007_001288_0img.png data\u002F2007_001288_5labels.png`，即可对单张图像执行 ConvCRF 推断。尝试运行 `python demo.py --help` 查看更多选项。\n\n**基准测试**: 运行 `python benchmark.py data\u002F2007_001288_0img.png data\u002F2007_001288_5labels.png`，即可比较 ConvCRF 和 FullCRF 的性能。该脚本还会显示 ConvCRF 相对于 FullCRF 的加速倍数。在我的系统上，ConvCRF7 的速度比 FullCRF 快 **40** 多倍，而 ConvCRF5 则快 **60** 多倍。\n\n\n引用\n--------\n如果您从本项目受益，请考虑引用我们的 [论文][4]。\n\n待办事项\n-----\n\n- [x] 构建原生 PyTorch 0.4 版本的 ConvCRF 实现\n- [x] 提供 Python 2 版本的实现\n- [ ] 构建 ConvCRF 的 TensorFlow 版本\n\n\n\n[1]: https:\u002F\u002Fvirtualenvwrapper.readthedocs.io\u002Fen\u002Flatest\u002F\n[2]: https:\u002F\u002Fgithub.com\u002Flucasb-eyer\u002Fpydensecrf\n[3]: https:\u002F\u002Fgithub.com\u002Fszagoruyko\u002Fpyinn\n[4]: https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.04777","# ConvCRF 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux\n*   **Python 版本**: Python 3.4+ (或 Python 2.7+)\n*   **深度学习框架**: PyTorch 0.4 (推荐) 或 PyTorch 0.3 + PyINN\n*   **硬件加速**: CUDA 和 cuDNN\n*   **核心依赖库**: `numpy`, `imageio`, `cython`, `scikit-image`, `matplotlib`\n\n> **注意**：若需运行基准测试（Benchmark）以对比 FullCRF 性能，还需安装可选依赖 `pydensecrf`。若使用 PyTorch 0.3 版本或希望使用替代后端，需安装 `pyinn`。\n\n## 安装步骤\n\n建议先创建并激活 Python 虚拟环境，然后执行以下命令安装依赖。\n\n### 1. 安装核心依赖\n```bash\npip install -r requirements.txt\n# 或者手动安装：\npip install numpy imageio cython scikit-image matplotlib\n```\n*(国内用户可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数以加速下载)*\n\n### 2. 安装可选依赖（按需）\n\n**安装 pydensecrf** (仅用于基准测试对比):\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Flucasb-eyer\u002Fpydensecrf.git\n```\n\n**安装 PyINN** (仅用于 PyTorch 0.3 或作为替代后端):\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fszagoruyko\u002Fpyinn.git@master\n```\n\n## 基本使用\n\n本项目主要提供两个入口脚本：`demo.py` 用于单图推理，`benchmark.py` 用于性能对比。\n\n### 1. 单图推理 (Demo)\n对单张输入图像执行 ConvCRF 推理。请将路径替换为您实际的图片路径。\n\n```bash\npython demo.py data\u002F2007_001288_0img.png data\u002F2007_001288_5labels.png\n```\n*   第一个参数：输入图像路径\n*   第二个参数：标签图像路径\n*   查看更详细选项：`python demo.py --help`\n\n### 2. 性能基准测试 (Benchmark)\n对比 ConvCRF 与 FullCRF 的性能及速度差异。\n\n```bash\npython benchmark.py data\u002F2007_001288_0img.png data\u002F2007_001288_5labels.png\n```\n*   该脚本将输出性能对比图表及速度倍数（在典型配置下，ConvCRF 可比 FullCRF 快 40-60 倍）。","某自动驾驶感知团队正在优化车辆对道路场景的实时语义分割效果，急需在保持边缘细节清晰的同时满足车载芯片的低延迟要求。\n\n### 没有 ConvCRF 时\n- **推理速度严重滞后**：传统全连接条件随机场（FullCRF）计算复杂度极高，处理单帧图像耗时过长，导致系统无法达到实时运行标准。\n- **硬件部署困难**：复杂的迭代优化过程难以高效映射到 GPU 并行架构上，增加了嵌入式设备上的工程落地难度。\n- **细节与效率难兼得**：为了追求速度被迫简化后处理步骤，导致分割结果中物体边界模糊，丢失了关键的细小结构信息。\n- **基准对比成本高**：缺乏高效的参考实现，验证新算法相对于传统方法的性能提升需要耗费大量时间编写底层代码。\n\n### 使用 ConvCRF 后\n- **推理速度飞跃提升**：利用卷积操作重构 CRF，ConvCRF 在同等精度下比传统方法快 40 至 60 倍，轻松实现实时视频流处理。\n- **原生支持 GPU 加速**：基于 PyTorch 的原生实现充分利用 CUDA 核心，无需额外复杂编译即可在主流深度学习框架中流畅运行。\n- **边界细节精准还原**：在大幅提升速度的同时，依然保留了条件随机场优化空间一致性的优势，使道路标线和车辆轮廓更加锐利清晰。\n- **快速验证与迭代**：通过内置的 `benchmark.py` 脚本，开发人员可一键对比性能差异并生成可视化图表，极大缩短了算法选型周期。\n\nConvCRF 成功打破了传统后处理算法的速度瓶颈，让高精度的语义分割模型真正具备了在资源受限的边缘设备上实时落地的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMarvinTeichmann_ConvCRF_9115931e.png","MarvinTeichmann","Marvin Teichmann","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMarvinTeichmann_0c07c135.jpg","Germany Phd student.  Working on Deep Learning and Computer Vision projects.","University of Cambridge","Cambridge, United Kingdom","marvin.teichmann@gmail.com",null,"https:\u002F\u002Fgithub.com\u002FMarvinTeichmann",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,567,132,"2025-11-05T22:33:03","MIT",4,"Linux","必需 NVIDIA GPU，需安装 CUDA 和 cuDNN（具体版本未说明，需匹配 PyTorch 0.3\u002F0.4）","未说明",{"notes":98,"python":99,"dependencies":100},"该项目主要参考实现基于较旧的 PyTorch 版本（0.3 或 0.4）。若使用 PyTorch 0.4，可利用其内置 Im2Col 层完全在 PyTorch 中实现，无需 PyINN；若使用 PyTorch 0.3 则必须安装 PyINN 以支持原生 CUDA 操作。运行 FullCRF 基准测试时需额外安装 pydensecrf。强烈建议使用 Python 虚拟环境。",">=3.4 (或 >=2.7)",[101,102,103,104,105,106,107,108],"pytorch>=0.4 (或 pytorch 0.3 + pyinn)","numpy","imageio","cython","scikit-image","matplotlib","pydensecrf (可选，用于基准测试)","pyinn (可选，PyTorch 0.3 用户必需)",[14,13],[111,112,113,114],"pytorch","semantic-segmentation","deeplearning","crf-as-rnn","2026-03-27T02:49:30.150509","2026-04-06T07:05:47.457543",[],[]]