[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Media-Smart--vedastr":3,"tool-Media-Smart--vedastr":61},[4,18,26,36,44,52],{"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":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":73,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":75,"languages":76,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":10,"env_os":85,"env_gpu":86,"env_ram":87,"env_deps":88,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":146},4407,"Media-Smart\u002Fvedastr","vedastr","A scene text recognition toolbox based on PyTorch","vedastr 是一个基于 PyTorch 开发的开源场景文本识别工具箱，旨在帮助开发者和研究人员快速构建、评估及部署文字识别模型。它主要解决了自然场景中复杂文本（如不规则形状、不同字体或背景干扰）难以准确识别的难题，广泛应用于车牌识别、文档数字化及图像内容分析等领域。\n\n该工具特别适合从事计算机视觉算法研发的工程师、学术研究者以及需要定制 OCR 解决方案的技术团队。vedastr 的核心优势在于其高度模块化的设计理念，将识别框架拆解为独立组件，用户可像搭积木一样灵活组合或替换模块，轻松构建定制化模型。它不仅支持 CRNN、TPS-ResNet-BiLSTM-Attention 及 Transformer 等多种主流架构，还内置了经过优化的基准模型，在多个国际公开数据集上的测试精度表现优异，甚至超越了部分原有标杆模型。此外，vedastr 具备良好的扩展性，便于集成新算法，配合清晰的文档与预训练模型库，能显著降低从实验验证到实际落地的技术门槛，是探索场景文本识别技术的得力助手。","## Introduction\nvedastr is an open source scene text recognition toolbox based on PyTorch. It is designed to be flexible\nin order to support rapid implementation and evaluation for scene text recognition task.  \n\n## Features\n- **Modular design**\\\n  We decompose the scene text recognition framework into different components and one can \n  easily construct a customized scene text recognition framework by combining different modules.\n  \n- **Flexibility**\\\n  vedastr is flexible enough to be able to easily change the components within a module.\n\n- **Module expansibility**\\\n  It is easy to integrate a new module into the vedastr project. \n\n- **Support of multiple frameworks**\\\n  The toolbox supports several popular scene text recognition framework, e.g., [CRNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1507.05717),\n   [TPS-ResNet-BiLSTM-Attention](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark), Transformer, etc.\n\n- **Good performance**\\\n  We re-implement the best model in  [deep-text-recognition-benchmark](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark)\n  and get better average accuracy. What's more, we implement a simple baseline(ResNet-FC)\n   and the performance is acceptable.\n  \n\n## License\nThis project is released under [Apache 2.0 license](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fblob\u002Fmaster\u002FLICENSE).\n\n## Benchmark and model zoo\nNote: \n- We use [MJSynth(MJ)](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fdata\u002Ftext\u002F) and\n [SynthText(ST)](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fdata\u002Fscenetext\u002F) as training data,  and test the models on \n [IIIT5K_3000](http:\u002F\u002Fcvit.iiit.ac.in\u002Fresearch\u002Fprojects\u002Fcvit-projects\u002Fthe-iiit-5k-word-dataset),\n [SVT](http:\u002F\u002Fvision.ucsd.edu\u002F~kai\u002Fsvt\u002F),\n  [IC03_867](http:\u002F\u002Fwww.iapr-tc11.org\u002Fmediawiki\u002Findex.php?title=ICDAR_2003_Robust_Reading_Competitions), \n  [IC13_1015](http:\u002F\u002Fdagdata.cvc.uab.es\u002Ficdar2013competition\u002F?ch=2&com=downloads),\n[IC15_2077](https:\u002F\u002Frrc.cvc.uab.es\u002F?ch=4&com=downloads), SVTP,\n[CUTE80](http:\u002F\u002Fcs-chan.com\u002Fdownloads_CUTE80_dataset.html). You can find the \n datasets [below](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Ftree\u002Fopencv-version#prepare-data).\n  \n| MODEL|CASE SENSITIVE| IIIT5k_3000|\tSVT\t|IC03_867|\tIC13_1015|\t IC15_2077|\tSVTP|\tCUTE80| AVERAGE|\n|:----:|:----:| :----: | :----: |:----: |:----: |:----: |:----: |:----: | :----:|\n|[ResNet-CTC](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1gtTcc5kpVs_s5a6OR7eBh431Otk_-NrE\u002Fview?usp=sharing)| False|87.97 | 84.54 | 90.54 | 88.28 |67.99|72.71|77.08|81.58|\n|[ResNet-FC](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1OnUGdv9RFhFbQGXUUkWMcxUZg0mPV0kK\u002Fview?usp=sharing)  | False|88.80  | 88.41 | 92.85| 90.34|72.32|79.38|76.74|84.24|\n|[TPS-ResNet-BiLSTM-Attention](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1YUOAU7xcrrsAtEqEGtI5ZD7eryP7Zr04\u002Fview?usp=sharing)| False|90.93 | 88.72 | 93.89| 92.12|76.41|80.31|79.51|86.49|\n|[Small-SATRN](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1bcKtEcYGIOehgPfGi_TqPkvrm6rjOUKR\u002Fview?usp=sharing)| False|91.97 | 88.10 | 94.81 | 93.50|75.64|83.88|80.90|87.19|\n\nTPS : [Spatial transformer network](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.03915)\n\nSmall-SATRN: [On Recognizing Texts of Arbitrary Shapes with 2D Self-Attention](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.04396), \ntraining phase is case sensitive while testing phase is case insensitive.\n\nAVERAGE : Average accuracy over all test datasets\n\nCASE SENSITIVE : If true, the output is case sensitive and contain common characters.\nIf false, the output is not case sensetive and contains only numbers and letters. \n\n## Installation\n### Requirements\n\n- Linux\n- Python 3.6+\n- PyTorch 1.4.0 or higher\n- CUDA 9.0 or higher\n\nWe have tested the following versions of OS and softwares:\n\n- OS: Ubuntu 16.04.6 LTS\n- CUDA: 10.2\n- Python 3.6.9\n- PyTorch: 1.5.1\n\n### Install vedastr\n\n1. Create a conda virtual environment and activate it.\n\n```shell\nconda create -n vedastr python=3.6 -y\nconda activate vedastr\n```\n\n2. Install PyTorch and torchvision following the [official instructions](https:\u002F\u002Fpytorch.org\u002F),\n *e.g.*,\n\n```shell\nconda install pytorch torchvision -c pytorch\n```\n\n3. Clone the vedastr repository.\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr.git\ncd vedastr\nvedastr_root=${PWD}\n```\n\n4. Install dependencies.\n\n```shell\npip install -r requirements.txt\n```\n\n## Prepare data\n1. Download Lmdb data from [deep-text-recognition-benchmark](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark),\n which contains training, validation and evaluation data. \n **Note: we use the ST dataset released by [ASTER](https:\u002F\u002Fgithub.com\u002Fayumiymk\u002Faster.pytorch#data-preparation).**  \n\n2. Make directory data as follows:\n\n```shell\ncd ${vedastr_root}\nmkdir ${vedastr_root}\u002Fdata\n```\n\n3. Put the download LMDB data into this data directory, the structure of data directory will look like as follows: \n\n```shell\ndata\n└── data_lmdb_release\n    ├── evaluation\n    ├── training\n    │   ├── MJ\n    │   │   ├── MJ_test\n    │   │   ├── MJ_train\n    │   │   └── MJ_valid\n    │   └── ST\n    └── validation\n```\n\n\n\n## Train\n\n1. Config\n\nModify configuration files in [configs\u002F](configs) according to your needs(e.g. [configs\u002Ftps_resnet_bilstm_attn.py](configs\u002Ftps_resnet_bilstm_attn.py)). \n\n2. Run\n\n```shell\n# train using GPUs with gpu_id 0, 1, 2, 3\npython tools\u002Ftrain.py configs\u002Ftps_resnet_bilstm_attn.py \"0, 1, 2, 3\" \n```\n\nSnapshots and logs by default will be generated at `${vedastr_root}\u002Fworkdir\u002Fname_of_config_file`(you can specify workdir in config files).\n\n## Test\n\n1. Config\n\nModify configuration as you wish(e.g. [configs\u002Ftps_resnet_bilstm_attn.py](configs\u002Ftps_resnet_bilstm_attn.py)).\n\n2. Run\n\n```shell\n# test using GPUs with gpu_id 0, 1\n.\u002Ftools\u002Fdist_test.sh configs\u002Ftps_resnet_bilstm_attn.py path\u002Fto\u002Fcheckpoint.pth \"0, 1\" \n```\n\n## Inference\n1. Run\n\n```shell\n# inference using GPUs with gpu_id 0\npython tools\u002Finference.py configs\u002Ftps_resnet_bilstm_attn.py checkpoint_path img_path \"0\"\n```\n\n## Deploy\n1. Install [volksdep](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvolksdep) following the \n[official instructions](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvolksdep#installation)\n\n2. Benchmark (optional)\n```python\n# Benchmark model using GPU with gpu_id 0\nCUDA_VISIBLE_DEVICES=\"0\" python tools\u002Fbenchmark.py configs\u002Fresnet_ctc.py checkpoint_path out_path --dummy_input_shape \"3,32,100\"\n```\n\nMore available arguments are detailed in [tools\u002Fdeploy\u002Fbenchmark.py](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fblob\u002Fmaster\u002Ftools\u002Fdeploy\u002Fbenchmark.py).\n\nThe result of resnet_ctc is as follows(test device: Jetson AGX Xavier, CUDA:10.2):\n\n| framework  |  version   |     input shape      |         data type         |   throughput(FPS)    |   latency(ms)   |\n|   :---:    |   :---:    |        :---:         |           :---:           |        :---:         |      :---:      |\n|  PyTorch   |   1.5.0    |   (1, 1, 32, 100)    |           fp32            |          64          |      15.81      |\n|  TensorRT  |  7.1.0.16  |   (1, 1, 32, 100)    |           fp32            |         109          |      9.66       |\n|  PyTorch   |   1.5.0    |   (1, 1, 32, 100)    |           fp16            |         113          |      10.75      |\n|  TensorRT  |  7.1.0.16  |   (1, 1, 32, 100)    |           fp16            |         308          |      3.55       |\n|  TensorRT  |  7.1.0.16  |   (1, 1, 32, 100)    |      int8(entropy_2)      |         449          |      2.38       |\n\n\n\n3. Export model to ONNX format\n\n```python\n# export model to onnx using GPU with gpu_id 0\nCUDA_VISIBLE_DEVICES=\"0\" python tools\u002Ftorch2onnx.py configs\u002Fresnet_ctc.py checkpoint_path --dummy_input_shape \"3,32,100\" --dynamic_shape\n```\n\n  More available arguments are detailed in [tools\u002Ftorch2onnx.py](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fblob\u002Fmaster\u002Ftools\u002Ftorch2onnx.py).\n\n4. Inference SDK\n\n  You can refer to [FlexInfer](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fflexinfer) for details.\n\n## Citation\n\nIf you use this toolbox or benchmark in your research, please cite this project.\n\n```\n@misc{2020vedastr,\n    title  = {vedastr: A Toolbox for Scene Text Recognition},\n    author = {Sun, Jun and Cai, Hongxiang and Xiong, Yichao},\n    url    = {https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr},\n    year   = {2020}\n}\n```\n\n## Contact\n\nThis repository is currently maintained by Jun Sun([@ChaseMonsterAway](https:\u002F\u002Fgithub.com\u002FChaseMonsterAway)), Hongxiang Cai ([@hxcai](http:\u002F\u002Fgithub.com\u002Fhxcai)), Yichao Xiong ([@mileistone](https:\u002F\u002Fgithub.com\u002Fmileistone)).\n\n","## 简介\nvedastr 是一个基于 PyTorch 的开源场景文本识别工具箱。它设计灵活，旨在支持场景文本识别任务的快速实现与评估。\n\n## 特性\n- **模块化设计**\\\n  我们将场景文本识别框架分解为不同的组件，用户可以通过组合不同的模块轻松构建自定义的场景文本识别框架。\n  \n- **灵活性**\\\n  vedastr 具备足够的灵活性，可以轻松更换模块内的各个组件。\n\n- **模块扩展性**\\\n  很容易将新模块集成到 vedastr 项目中。\n\n- **多框架支持**\\\n  该工具箱支持多种流行的场景文本识别框架，例如 [CRNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1507.05717)、[TPS-ResNet-BiLSTM-Attention](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark)、Transformer 等。\n\n- **优异性能**\\\n  我们重新实现了 [deep-text-recognition-benchmark](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark) 中的最佳模型，并获得了更高的平均准确率。此外，我们还实现了一个简单的基线模型（ResNet-FC），其性能也相当不错。\n\n## 许可证\n本项目采用 [Apache 2.0 许可证](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fblob\u002Fmaster\u002FLICENSE) 开源发布。\n\n## 基准测试与模型库\n注意：\n- 我们使用 [MJSynth(MJ)](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fdata\u002Ftext\u002F) 和 [SynthText(ST)](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fdata\u002Fscenetext\u002F) 作为训练数据，并在以下数据集上测试模型：[IIIT5K_3000](http:\u002F\u002Fcvit.iiit.ac.in\u002Fresearch\u002Fprojects\u002Fcvit-projects\u002Fthe-iiit-5k-word-dataset)、[SVT](http:\u002F\u002Fvision.ucsd.edu\u002F~kai\u002Fsvt\u002F)、[IC03_867](http:\u002F\u002Fwww.iapr-tc11.org\u002Fmediawiki\u002Findex.php?title=ICDAR_2003_Robust_Reading_Competitions)、[IC13_1015](http:\u002F\u002Fdagdata.cvc.uab.es\u002Ficdar2013competition\u002F?ch=2&com=downloads)、[IC15_2077](https:\u002F\u002Frrc.cvc.uab.es\u002F?ch=4&com=downloads)、SVTP、[CUTE80](http:\u002F\u002Fcs-chan.com\u002Fdownloads_CUTE80_dataset.html)。您可以在下方找到这些数据集的下载链接：[准备数据](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Ftree\u002Fopencv-version#prepare-data)。\n\n| 模型 | 区分大小写 | IIIT5k_3000 | SVT | IC03_867 | IC13_1015 | IC15_2077 | SVTP | CUTE80 | 平均 |\n|:----:|:----:| :----: | :----: |:----: |:----: |:----: |:----: |:----: | :----:|\n|[ResNet-CTC](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1gtTcc5kpVs_s5a6OR7eBh431Otk_-NrE\u002Fview?usp=sharing)| 否|87.97 | 84.54 | 90.54 | 88.28 |67.99|72.71|77.08|81.58|\n|[ResNet-FC](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1OnUGdv9RFhFbQGXUUkWMcxUZg0mPV0kK\u002Fview?usp=sharing)  | 否|88.80  | 88.41 | 92.85| 90.34|72.32|79.38|76.74|84.24|\n|[TPS-ResNet-BiLSTM-Attention](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1YUOAU7xcrrsAtEqEGtI5ZD7eryP7Zr04\u002Fview?usp=sharing)| 否|90.93 | 88.72 | 93.89| 92.12|76.41|80.31|79.51|86.49|\n|[Small-SATRN](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1bcKtEcYGIOehgPfGi_TqPkvrm6rjOUKR\u002Fview?usp=sharing)| 否|91.97 | 88.10 | 94.81 | 93.50|75.64|83.88|80.90|87.19|\n\nTPS：[空间变换网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.03915)\n\nSmall-SATRN：[利用二维自注意力机制识别任意形状文本](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.04396)，训练阶段区分大小写，而测试阶段不区分大小写。\n\n平均：所有测试数据集上的平均准确率\n\n区分大小写：如果为真，输出区分大小写并包含常见字符；如果为假，输出不区分大小写，仅包含数字和字母。\n\n## 安装\n### 需求\n\n- Linux\n- Python 3.6+\n- PyTorch 1.4.0 或更高版本\n- CUDA 9.0 或更高版本\n\n我们已测试过以下操作系统和软件版本：\n\n- 操作系统：Ubuntu 16.04.6 LTS\n- CUDA：10.2\n- Python 3.6.9\n- PyTorch：1.5.1\n\n### 安装 vedastr\n\n1. 创建并激活 conda 虚拟环境。\n\n```shell\nconda create -n vedastr python=3.6 -y\nconda activate vedastr\n```\n\n2. 按照 [官方指南](https:\u002F\u002Fpytorch.org\u002F) 安装 PyTorch 和 torchvision，*例如*，\n\n```shell\nconda install pytorch torchvision -c pytorch\n```\n\n3. 克隆 vedastr 仓库。\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr.git\ncd vedastr\nvedastr_root=${PWD}\n```\n\n4. 安装依赖项。\n\n```shell\npip install -r requirements.txt\n```\n\n## 准备数据\n1. 从 [deep-text-recognition-benchmark](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark) 下载 LMDB 数据，其中包含训练、验证和评估数据。**请注意，我们使用的是由 [ASTER](https:\u002F\u002Fgithub.com\u002Fayumiymk\u002Faster.pytorch#data-preparation) 发布的 ST 数据集。**\n\n2. 按照如下方式创建 data 目录：\n\n```shell\ncd ${vedastr_root}\nmkdir ${vedastr_root}\u002Fdata\n```\n\n3. 将下载的 LMDB 数据放入 data 目录中，data 目录的结构应如下所示：\n\n```shell\ndata\n└── data_lmdb_release\n    ├── evaluation\n    ├── training\n    │   ├── MJ\n    │   │   ├── MJ_test\n    │   │   ├── MJ_train\n    │   │   └仔MJ_valid\n    │   └仔ST\n    └仔validation\n```\n\n\n\n## 训练\n\n1. 配置\n\n根据您的需求修改 [configs\u002F](configs) 中的配置文件（例如 [configs\u002Ftps_resnet_bilstm_attn.py](configs\u002Ftps_resnet_bilstm_attn.py)）。\n\n2. 运行\n\n```shell\n# 使用 GPU id 0, 1, 2, 3 进行训练\npython tools\u002Ftrain.py configs\u002Ftps_resnet_bilstm_attn.py \"0, 1, 2, 3\" \n```\n\n默认情况下，快照和日志将生成在 `${vedastr_root}\u002Fworkdir\u002Fname_of_config_file` 目录下（您可以在配置文件中指定工作目录）。\n\n## 测试\n\n1. 配置\n\n根据需要修改配置文件（例如 [configs\u002Ftps_resnet_bilstm_attn.py](configs\u002Ftps_resnet_bilstm_attn.py)）。\n\n2. 运行\n\n```shell\n# 使用 GPU id 0 和 1 进行测试\n.\u002Ftools\u002Fdist_test.sh configs\u002Ftps_resnet_bilstm_attn.py path\u002Fto\u002Fcheckpoint.pth \"0, 1\" \n```\n\n## 推理\n\n1. 运行\n\n```shell\n# 使用 GPU id 0 进行推理\npython tools\u002Finference.py configs\u002Ftps_resnet_bilstm_attn.py checkpoint_path img_path \"0\"\n```\n\n## 部署\n\n1. 按照 [官方指南](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvolksdep#installation) 安装 [volksdep](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvolksdep)。\n\n2. 基准测试（可选）\n```python\n\n# 使用 GPU_id 为 0 的 GPU 运行基准测试模型\nCUDA_VISIBLE_DEVICES=\"0\" python tools\u002Fbenchmark.py configs\u002Fresnet_ctc.py checkpoint_path out_path --dummy_input_shape \"3,32,100\"\n```\n\n更多可用参数详见 [tools\u002Fdeploy\u002Fbenchmark.py](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fblob\u002Fmaster\u002Ftools\u002Fdeploy\u002Fbenchmark.py)。\n\nresnet_ctc 的测试结果如下（测试设备：Jetson AGX Xavier，CUDA：10.2）：\n\n| 框架      | 版本     | 输入形状       | 数据类型   | 吞吐量 (FPS) | 延迟 (ms) |\n| :---:    | :---:    | :---:         | :---:     | :---:       | :---:     |\n| PyTorch   | 1.5.0    | (1, 1, 32, 100) | fp32       | 64          | 15.81     |\n| TensorRT  | 7.1.0.16 | (1, 1, 32, 100) | fp32       | 109         | 9.66      |\n| PyTorch   | 1.5.0    | (1, 1, 32, 100) | fp16       | 113         | 10.75     |\n| TensorRT  | 7.1.0.16 | (1, 1, 32, 100) | fp16       | 308         | 3.55      |\n| TensorRT  | 7.1.0.16 | (1, 1, 32, 100) | int8(entropy_2) | 449         | 2.38      |\n\n\n\n3. 将模型导出为 ONNX 格式\n\n```python\n# 使用 GPU_id 为 0 的 GPU 将模型导出为 ONNX 格式\nCUDA_VISIBLE_DEVICES=\"0\" python tools\u002Ftorch2onnx.py configs\u002Fresnet_ctc.py checkpoint_path --dummy_input_shape \"3,32,100\" --dynamic_shape\n```\n\n更多可用参数详见 [tools\u002Ftorch2onnx.py](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fblob\u002Fmaster\u002Ftools\u002Ftorch2onnx.py)。\n\n4. 推理 SDK\n\n详情可参考 [FlexInfer](https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fflexinfer)。\n\n## 引用\n\n如果您在研究中使用了本工具箱或基准测试，请引用该项目。\n\n```\n@misc{2020vedastr,\n    title  = {vedastr: 场景文本识别工具箱},\n    author = {Sun, Jun 和 Cai, Hongxiang 和 Xiong, Yichao},\n    url    = {https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr},\n    year   = {2020}\n}\n```\n\n## 联系方式\n\n本仓库目前由 Sun Jun ([@ChaseMonsterAway](https:\u002F\u002Fgithub.com\u002FChaseMonsterAway))、Cai Hongxiang ([@hxcai](http:\u002F\u002Fgithub.com\u002Fhxcai)) 和 Xiong Yichao ([@mileistone](https:\u002F\u002Fgithub.com\u002Fmileistone)) 维护。","# vedastr 快速上手指南\n\nvedastr 是一个基于 PyTorch 的开源场景文本识别工具箱，支持 CRNN、TPS-ResNet-BiLSTM-Attention、Transformer 等多种主流框架，具有模块化设计和高灵活性特点。\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 (推荐 Ubuntu 16.04+)\n*   **Python**: 3.6 或更高版本\n*   **PyTorch**: 1.4.0 或更高版本\n*   **CUDA**: 9.0 或更高版本 (如需 GPU 加速)\n\n> **注意**：本项目已在 Ubuntu 16.04.6 LTS, CUDA 10.2, Python 3.6.9, PyTorch 1.5.1 环境下测试通过。国内用户建议使用清华源或阿里源加速 Conda 和 Pip 包的下载。\n\n## 安装步骤\n\n### 1. 创建并激活虚拟环境\n```shell\nconda create -n vedastr python=3.6 -y\nconda activate vedastr\n```\n\n### 2. 安装 PyTorch 和 torchvision\n建议访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取适合您环境的安装命令。以下为通用示例：\n```shell\nconda install pytorch torchvision -c pytorch\n```\n*(国内用户可尝试使用清华源：`conda install pytorch torchvision -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F`)*\n\n### 3. 克隆代码仓库\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr.git\ncd vedastr\nvedastr_root=${PWD}\n```\n\n### 4. 安装依赖\n```shell\npip install -r requirements.txt\n```\n*(国内用户建议指定镜像源：`pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n### 5. 准备数据\nvedastr 使用 LMDB 格式数据。您需要从 [deep-text-recognition-benchmark](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fdeep-text-recognition-benchmark) 下载训练、验证和评估数据（注意：ST 数据集请使用 ASTER 发布的版本）。\n\n下载完成后，在项目根目录下创建 `data` 文件夹并按以下结构存放数据：\n```shell\nmkdir ${vedastr_root}\u002Fdata\n# 将下载的 lmdb 数据放入 data 目录，最终结构应如下：\n# data\n# └── data_lmdb_release\n#     ├── evaluation\n#     ├── training\n#     │   ├── MJ\n#     │   │   ├── MJ_test\n#     │   │   ├── MJ_train\n#     │   │   └── MJ_valid\n#     │   └── ST\n#     └── validation\n```\n\n## 基本使用\n\n### 训练模型\n修改 `configs\u002F` 目录下的配置文件（例如 `configs\u002Ftps_resnet_bilstm_attn.py`）以适配您的需求，然后运行以下命令启动训练：\n\n```shell\n# 使用 GPU 0, 1, 2, 3 进行训练\npython tools\u002Ftrain.py configs\u002Ftps_resnet_bilstm_attn.py \"0, 1, 2, 3\" \n```\n训练产生的快照和日志默认保存在 `${vedastr_root}\u002Fworkdir\u002F配置文件名` 目录下。\n\n### 测试模型\n修改配置文件后，使用以下命令对模型进行评估：\n\n```shell\n# 使用 GPU 0, 1 进行测试\n.\u002Ftools\u002Fdist_test.sh configs\u002Ftps_resnet_bilstm_attn.py path\u002Fto\u002Fcheckpoint.pth \"0, 1\" \n```\n请将 `path\u002Fto\u002Fcheckpoint.pth` 替换为您实际的模型权重路径。\n\n### 单张图片推理\n使用预训练模型对单张图片进行文本识别：\n\n```shell\n# 使用 GPU 0 进行推理\npython tools\u002Finference.py configs\u002Ftps_resnet_bilstm_attn.py checkpoint_path img_path \"0\"\n```\n*   `checkpoint_path`: 模型权重文件路径\n*   `img_path`: 待识别的图片路径","某物流科技公司正在开发一套自动化包裹分拣系统，核心需求是从复杂背景的快递面单上高精度识别手写或打印的运单号。\n\n### 没有 vedastr 时\n- **算法选型困难**：团队需从零复现 CRNN 或 TPS-ResNet 等经典论文代码，不同框架接口不统一，集成耗时数周。\n- **场景适应性差**：面对面单褶皱、倾斜或模糊等非线性形变，通用模型识别率极低，且难以快速引入空间变换网络（TPS）进行矫正。\n- **定制成本高昂**：业务需要针对特定字体或长数字串调整模型结构，但原有代码耦合严重，修改一个模块往往导致整个训练流程崩溃。\n- **性能调优无据可依**：缺乏权威的基准测试数据，团队无法判断当前模型在 IIIT5K 或 SVT 等标准数据集上的真实水平，优化方向盲目。\n\n### 使用 vedastr 后\n- **快速搭建基线**：利用 vedastr 模块化设计，直接调用预置的 TPS-ResNet-BiLSTM-Attention 框架，半天内即可跑通高精度基线模型。\n- **轻松应对形变**：通过灵活替换组件，迅速集成空间变换模块，有效矫正扭曲文本，显著提升了褶皱面单的识别准确率。\n- **高效定制迭代**：借助其良好的扩展性，开发人员轻松插入自定义的 ResNet-FC 骨干网络以适配长运单号，无需重构整体代码。\n- **效果量化清晰**：基于内置的 Benchmark 和 Model Zoo，团队直接参考 CUTE80 等数据集的 SOTA 成绩进行调优，平均识别精度提升至 86% 以上。\n\nvedastr 通过模块化与高灵活性，将场景文字识别的研发周期从“月级”缩短至“天级”，让团队能专注于解决复杂的实际业务难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMedia-Smart_vedastr_f6e5fa2b.png","Media-Smart",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMedia-Smart_65e11f59.png","https:\u002F\u002Fgithub.com\u002FMedia-Smart",[77],{"name":78,"color":79,"percentage":80},"Python","#3572A5",100,535,101,"2026-03-03T07:53:47","Apache-2.0","Linux","需要 NVIDIA GPU，CUDA 9.0 或更高版本（测试环境为 CUDA 10.2），具体显存大小未说明","未说明",{"notes":89,"python":90,"dependencies":91},"官方仅在 Ubuntu 16.04.6 LTS 上进行了测试。训练和推理均依赖 GPU。项目支持多种场景文本识别框架（如 CRNN, TPS-ResNet-BiLSTM-Attention, Transformer 等）。部署阶段可选安装 volksdep 以支持 TensorRT 加速（测试显示在 Jetson AGX Xavier 上性能显著提升）。数据准备需下载 LMDB 格式的 MJSynth 和 SynthText 数据集。","3.6+",[92,93,94],"PyTorch>=1.4.0","torchvision","volksdep (用于部署)",[35,14,15],[97,98,99,100,101,102],"pytorch","scene-text-recognition","ocr","ocr-recognition","text-recognition","transformer","2026-03-27T02:49:30.150509","2026-04-06T21:11:20.202927",[106,111,116,121,126,131,136,141],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},20045,"如何启用 GPU 进行训练？","首先确保已正确安装 PyTorch、CUDA 和 cuDNN。可以在 Python 环境中运行 `torch.cuda.is_available()` 进行检查，如果返回 False，请尝试更新 PyTorch 版本或重新检查 CUDA 环境配置。","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F18",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},20046,"如何进行微调训练（Fine-tuning）？","不要简单地将 config 中的 `resume` 设为文件路径字符串。需要将其修改为字典格式，具体配置如下：\n```\nresume = dict(\n    checkpoint='你的检查点文件路径',\n    resume_optimizer=False,\n    resume_lr_scheduler=False,\n    resume_meta=False,\n)\n```","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F30",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},20047,"为什么模型无法识别空格和冒号等特殊字符？","这通常是因为数据集加载代码中过滤了包含空格的样本，或者在标签处理时移除了空格。请检查 `dataset.py` 文件中的数据预处理逻辑。此外，如果是测试阶段，需确保配置文件中的 `test_character` 包含了所有需要的特殊字符，并设置 `test_sensitive = True`。","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F42",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},20048,"使用自定义 LMDB 数据集训练时报错怎么办？","如果你使用了多个数据集进行训练（例如三个数据集），必须在配置文件中调整 `batch_ratio` 参数以匹配数据集数量。例如：`batch_ratios = [0.3, 0.3, 0.4]`，确保比例之和为 1。","https:\u002F\u002Fgithub.com\u002FMedia-Small\u002Fvedastr\u002Fissues\u002F27",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},20049,"为什么 vedastr 的准确率低于 deep-text-recognition-benchmark？","主要原因有两点：\n1. 数据加载器未开启洗牌：如果没有使用平衡采样器，必须在 train dataloader 中设置 `shuffle=True`。\n2. 数据过滤条件不同：请仔细对比两个项目在测试时的数据过滤逻辑（参考 `vedastr\u002Fdatasets\u002Fbase.py` 和 benchmark 的 `dataset.py`）。\n解决这些问题后，两者准确率应基本一致。","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F43",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},20050,"运行 small_satrn 模型时出现 'TypeError: __call__() takes from 1 to 2 positional arguments but 3 were given' 错误如何解决？","该错误通常与批次大小（batch size）设置过大有关。请尝试在配置文件中减小 `batch_size` 的值后再运行。","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F35",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},20051,"如何针对不同字符长度进行微调训练？","建议切换到包含采样器（sampler）功能的分支进行训练。如果在加载预训练权重时遇到严格匹配错误，可能是因为 `train_runner.py` 中的 resume 函数缺少 `strict` 参数，需要根据实际情况调整加载逻辑或忽略部分不匹配的层。","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F40",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},20052,"测试包含特殊字符的图片时效果很差怎么办？","即使模型训练时包含了所有字符，测试时也需要显式配置。请确保在推理命令使用的配置文件中设置 `test_sensitive = True`，并将 `test_character` 设置为包含所有目标特殊字符的完整字符串（如数字、字母及标点符号）。如果默认模型效果仍不佳，建议使用自己的数据重新训练模型。","https:\u002F\u002Fgithub.com\u002FMedia-Smart\u002Fvedastr\u002Fissues\u002F21",[147,152],{"id":148,"version":149,"summary_zh":150,"released_at":151},118100,"v2.0.2","修复采样器 bug\n修复 SPN bug\n添加恢复参数","2020-10-20T11:06:30",{"id":153,"version":154,"summary_zh":155,"released_at":156},118101,"v2.0.1","修复数据集错误\n统一输入图像通道为RGB顺序\n更新small_satrn配置文件","2020-10-16T02:51:52"]