[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ModelDepot--tfjs-yolo-tiny":3,"tool-ModelDepot--tfjs-yolo-tiny":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",150720,2,"2026-04-11T11:33:10",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":154},6627,"ModelDepot\u002Ftfjs-yolo-tiny","tfjs-yolo-tiny","In-Browser Object Detection using Tiny YOLO on Tensorflow.js","tfjs-yolo-tiny 是一款让网页浏览器直接具备物体检测能力的开源工具。它基于 TensorFlow.js 运行轻量级的 Tiny YOLO 模型，无需后端服务器支持，即可在用户端实时分析图像或视频流中的物体位置与类别。\n\n传统物体检测往往依赖高性能服务器或本地安装沉重的深度学习环境，而 tfjs-yolo-tiny 解决了这一痛点，将复杂的 AI 推理过程完全迁移至浏览器中。这意味着开发者可以轻松构建隐私友好、低延迟且无需额外基础设施的视觉应用。\n\n该工具主要面向前端开发者和全栈工程师，同时也适合希望快速原型验证的 AI 研究人员。通过简单的几行代码，即可加载预训练模型并获取检测框坐标、类别名称及置信度。其技术亮点在于针对浏览器环境进行了深度优化，虽受限于客户端算力采用精简版 YOLO 模型，但仍能在普通笔记本电脑上实现约每秒一帧的检测速度，并提供了灵活的参数配置接口，支持自定义阈值、锚框及类别体系，方便用户根据特定场景进行微调。","\u003Ca href='https:\u002F\u002Fmodeldepot.io\u002Fmikeshi\u002Ftiny-yolo-in-javascript'> \u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FModelDepot-Pre--trained_Model-3d9aff.svg'\u002F> \u003C\u002Fa>\n\n# ⚡️ Fast In-Browser Object Detection 👀\n\nDetect objects in images right in your browser using [Tensorflow.js](https:\u002F\u002Fjs.tensorflow.org\u002F)! Currently takes ~800ms\nto analyze each frame on Chrome MBP 13\" mid-2014.\n\nSupports [`Tiny YOLO`](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F), as of right now,\n [`tfjs`](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftfjs) does not have\nsupport to run any full YOLO models (and your user's computers probably\ncan't handle it either).\n\n## Demo\n\n[Check out the Live Demo](https:\u002F\u002Fmodeldepot.github.io\u002Ftfjs-yolo-tiny-demo\u002F)\n\n(You can only get so far with 1 FPS)\n\n![yolo person detection](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FModelDepot_tfjs-yolo-tiny_readme_ee36e41c63b9.gif)\n\n## Install\n\n### Yarn\n    yarn add tfjs-yolo-tiny\n### Or NPM\n    npm install tfjs-yolo-tiny\n\n## Usage Example\n```javascript\nimport yolo, { downloadModel } from 'tfjs-yolo-tiny';\n\nconst model = await downloadModel();\nconst inputImage = webcam.capture();\n\nconst boxes = await yolo(inputImage, model);\n\n\u002F\u002F Display detected boxes\nboxes.forEach(box => {\n  const {\n    top, left, bottom, right, classProb, className,\n  } = box;\n\n  drawRect(left, top, right-left, bottom-top, `${className} ${classProb}`)\n});\n```\n## API Docs\n\n### yolo(input, model, options)\n\n#### Args\n\nParam | Type | Default | Description\n-- | -- | -- | --\ninput | tf.Tensor | - | Expected shape (1, 416, 416, 3) Tensor representing input image (RGB 416x416)\nmodel | tf.Model | - | Tiny YOLO tf.Model\n[options] | Object | See Below | Optional, Additional Configs\n\nIf you're using a custom Tiny YOLO model or want to adjust the default\nfiltering cutoffs, you may do so by passing an additional options\nobject.\n\nExample: `yolo(inputImage, model, { classProbThreshold: 0.8 });`\n\nOption | Type | Default | Description\n-- | -- | -- | --\n| [options.classProbThreshold] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>0.4\u003C\u002Fcode> | Filter out classes below a certain threshold |\n| [options.iouThreshold] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>0.4\u003C\u002Fcode> | Filter out boxes that have an IoU greater than this threadhold (refer to tf.image.nonMaxSuppression) |\n| [options.filterBoxesThreshold] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>0.01\u003C\u002Fcode> | Threshold to filter out box confidence * class confidence |\n| [options.maxBoxes] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>2048\u003C\u002Fcode> | Number of max boxes to return, refer to tf.image.nonMaxSuppression. Note: The model itself can only return so many boxes. |\n| [options.yoloAnchors] | \u003Ccode>tf.Tensor\u003C\u002Fcode> | \u003Ccode>See src\u002Fpostprocessing.js\u003C\u002Fcode> | (Advanced) Yolo Anchor Boxes, only needed if retraining on a new dataset |\n| [options.width] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>416\u003C\u002Fcode> | (Advanced) If your model's input width is not 416, only if you're using a custom model |\n| [options.height] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>416\u003C\u002Fcode> | (Advanced) If your model's input height is not 416, only if you're using a custom model |\n| [options.numClasses] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>80\u003C\u002Fcode> | (Advanced) If your model has a different number of classes, only if you're using a custom model |\n| [options.classNames] | \u003Ccode>Array.<String>\u003C\u002Fcode> | \u003Ccode>See src\u002Fcoco_classes.js\u003C\u002Fcode> | (Advanced) If your model has non-MSCOCO class names, only if you're using a custom model |\n\n#### Returns\n\nReturns an array of objects.\n\nProperty | Type | Description\n-- | -- | --\ntop | Number | Pixels from top of image where bounding box starts\nleft | Number | Pixels from left of image where bounding box starts\nbottom | Number | Pixels from top of image where box ends.\nright | Number | Pixels from left of image where box ends.\nclassProb | Number | Probability of the class in the bounding box.\nclassName | String | Human name of the class.\n\n### downloadModel(url)\n\n#### Args\n\nParam | Type | Default | Description\n-- | -- | -- | --\nurl | string | See DEFAULT_MODEL_LOCATION | Tiny YOLO Model config path. See [tf.loadModel](https:\u002F\u002Fjs.tensorflow.org\u002Fapi\u002F0.8.0\u002F#loadModel)\n\n#### Returns\n\nReturns a `Promise` that can resolve to a `tf.Model`.\n\n# Contributing\n\nPR's are more than welcome! Perf improvement or better test coverage\nare probably the two biggest areas of immediate need. If you have thoughts\non extensibility as well, feel free to open an issue!\n\n## Install Dependencies\n```\nyarn install\n```\n\n## Run Tests\n\nIf you're running tests, make sure to `yarn add @tensorflow\u002Ftfjs@0.7.0`\nso that you you don't get tfjs package not found errors. If you're developing,\nmake sure to remove tfjs as a dependency, as it'll start using the\nlocal version of `tfjs` intead of the peer version.\n\nNote: Test coverage is poor, definitely don't rely on them to catch your errors.\n\n```\nyarn test\n```\n\n## Build\n\n```\nyarn build\n```\n\nOr during development, use watch mode, you can use the [demo app](https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny-demo)\nto test out changes.\n\n```\nyarn watch\n```\n","\u003Ca href='https:\u002F\u002Fmodeldepot.io\u002Fmikeshi\u002Ftiny-yolo-in-javascript'> \u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FModelDepot-Pre--trained_Model-3d9aff.svg'\u002F> \u003C\u002Fa>\n\n# ⚡️ 浏览器端快速目标检测 👀\n\n使用 [TensorFlow.js](https:\u002F\u002Fjs.tensorflow.org\u002F)，直接在浏览器中检测图像中的目标！目前，在 2014 年中期的 Chrome MBP 13 英寸上，每帧分析大约需要 800 毫秒。\n\n当前支持 [`Tiny YOLO`](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F)。不过，截至现在，[`tfjs`](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftfjs) 尚不支持运行任何完整的 YOLO 模型（而且用户的电脑可能也难以胜任）。\n\n## 演示\n\n[查看实时演示](https:\u002F\u002Fmodeldepot.github.io\u002Ftfjs-yolo-tiny-demo\u002F)\n\n（1 FPS 的速度确实有限）\n\n![yolo 人物检测](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FModelDepot_tfjs-yolo-tiny_readme_ee36e41c63b9.gif)\n\n## 安装\n\n### Yarn\n    yarn add tfjs-yolo-tiny\n### 或 NPM\n    npm install tfjs-yolo-tiny\n\n## 使用示例\n```javascript\nimport yolo, { downloadModel } from 'tfjs-yolo-tiny';\n\nconst model = await downloadModel();\nconst inputImage = webcam.capture();\n\nconst boxes = await yolo(inputImage, model);\n\n\u002F\u002F 显示检测到的边界框\nboxes.forEach(box => {\n  const {\n    top, left, bottom, right, classProb, className,\n  } = box;\n\n  drawRect(left, top, right-left, bottom-top, `${className} ${classProb}`)\n});\n```\n\n## API 文档\n\n### yolo(input, model, options)\n\n#### 参数\n\n参数 | 类型 | 默认值 | 描述\n-- | -- | -- | --\ninput | tf.Tensor | - | 预期形状为 (1, 416, 416, 3) 的张量，表示输入图像（RGB 416x416）\nmodel | tf.Model | - | Tiny YOLO tf.Model\n[options] | Object | 见下文 | 可选，附加配置\n\n如果您使用自定义的 Tiny YOLO 模型，或者希望调整默认的过滤阈值，可以通过传递一个额外的 `options` 对象来实现。\n\n示例：`yolo(inputImage, model, { classProbThreshold: 0.8 });`\n\n选项 | 类型 | 默认值 | 描述\n-- | -- | -- | --\n| [options.classProbThreshold] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>0.4\u003C\u002Fcode> | 过滤掉低于特定阈值的类别 |\n| [options.iouThreshold] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>0.4\u003C\u002Fcode> | 过滤掉 IoU 大于该阈值的边界框（参考 tf.image.nonMaxSuppression） |\n| [options.filterBoxesThreshold] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>0.01\u003C\u002Fcode> | 用于过滤掉箱体置信度与类别置信度乘积低于此阈值的框 |\n| [options.maxBoxes] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>2048\u003C\u002Fcode> | 返回的最大框数，参考 tf.image.nonMaxSuppression。注意：模型本身能返回的框数是有限的。 |\n| [options.yoloAnchors] | \u003Ccode>tf.Tensor\u003C\u002Fcode> | \u003Ccode>见 src\u002Fpostprocessing.js\u003C\u002Fcode> | （高级）Yolo 锚框，仅在使用新数据集重新训练时才需要 |\n| [options.width] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>416\u003C\u002Fcode> | （高级）如果您的模型输入宽度不是 416，且仅在使用自定义模型时适用 |\n| [options.height] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>416\u003C\u002Fcode> | （高级）如果您的模型输入高度不是 416，且仅在使用自定义模型时适用 |\n| [options.numClasses] | \u003Ccode>Number\u003C\u002Fcode> | \u003Ccode>80\u003C\u002Fcode> | （高级）如果您的模型类别数量不同，且仅在使用自定义模型时适用 |\n| [options.classNames] | \u003Ccode>Array.<String>\u003C\u002Fcode> | \u003Ccode>见 src\u002Fcoco_classes.js\u003C\u002Fcode> | （高级）如果您的模型使用非 MSCOCO 类别名称，且仅在使用自定义模型时适用 |\n\n#### 返回值\n\n返回一个对象数组。\n\n属性 | 类型 | 描述\n-- | -- | --\ntop | Number | 边界框起始位置距离图像顶部的像素数\nleft | Number | 边界框起始位置距离图像左侧的像素数\nbottom | Number | 边界框结束位置距离图像顶部的像素数\nright | Number | 边界框结束位置距离图像左侧的像素数\nclassProb | Number | 边界框内该类别的概率\nclassName | String | 该类别的名称。\n\n### downloadModel(url)\n\n#### 参数\n\n参数 | 类型 | 默认值 | 描述\n-- | -- | -- | --\nurl | string | 见 DEFAULT_MODEL_LOCATION | Tiny YOLO 模型配置路径。参阅 [tf.loadModel](https:\u002F\u002Fjs.tensorflow.org\u002Fapi\u002F0.8.0\u002F#loadModel)\n\n#### 返回值\n\n返回一个可以解析为 `tf.Model` 的 `Promise`。\n\n# 贡献\n\n欢迎提交 PR！性能优化和更好的测试覆盖率可能是目前最迫切的需求。如果您对扩展性也有想法，也欢迎提出问题！\n\n## 安装依赖\n```\nyarn install\n```\n\n## 运行测试\n\n如果您要运行测试，请确保安装 `@tensorflow\u002Ftfjs@0.7.0`，以免出现找不到 tfjs 包的错误。如果您正在开发，请务必移除 tfjs 作为依赖，这样会使用本地版本的 `tfjs` 而不是 peer 版本。\n\n注意：测试覆盖率较低，不要完全依赖它们来发现错误。\n\n```\nyarn test\n```\n\n## 构建\n\n```\nyarn build\n```\n\n或者在开发过程中，可以使用 watch 模式，并通过 [demo 应用](https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny-demo) 来测试更改。\n\n```\nyarn watch\n```","# tfjs-yolo-tiny 快速上手指南\n\n`tfjs-yolo-tiny` 是一个基于 TensorFlow.js 的轻量级物体检测工具，允许你在浏览器中直接使用 Tiny YOLO 模型进行实时物体识别。\n\n## 环境准备\n\n- **运行环境**：现代浏览器（推荐 Chrome）或 Node.js 环境。\n- **前置依赖**：\n  - 已安装 [Node.js](https:\u002F\u002Fnodejs.org\u002F) (建议 LTS 版本)。\n  - 项目需依赖 `@tensorflow\u002Ftfjs`。如果是开发模式，请确保安装兼容版本（如 `0.7.0` 或更高，具体视项目依赖而定）。\n- **硬件建议**：由于在浏览器端运行推理，建议在具备一定 GPU 加速能力的设备上使用以获得更佳性能（默认在 Chrome MBP 2014 上每帧约需 800ms）。\n\n## 安装步骤\n\n你可以选择使用 `yarn` 或 `npm` 进行安装。\n\n### 使用 Yarn\n```bash\nyarn add tfjs-yolo-tiny\n```\n\n### 使用 NPM\n```bash\nnpm install tfjs-yolo-tiny\n```\n\n> **提示**：国内开发者若遇到下载缓慢问题，可配置淘宝镜像源：\n> ```bash\n> yarn config set registry https:\u002F\u002Fregistry.npmmirror.com\n> # 或\n> npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n> ```\n\n## 基本使用\n\n以下是最简单的使用示例，展示如何加载模型并从摄像头捕获图像进行物体检测。\n\n```javascript\nimport yolo, { downloadModel } from 'tfjs-yolo-tiny';\n\n\u002F\u002F 1. 下载并加载预训练模型\nconst model = await downloadModel();\n\n\u002F\u002F 2. 获取输入图像 (例如从 webcam 组件捕获)\nconst inputImage = webcam.capture();\n\n\u002F\u002F 3. 执行物体检测\nconst boxes = await yolo(inputImage, model);\n\n\u002F\u002F 4. 处理并绘制检测结果\nboxes.forEach(box => {\n  const {\n    top, left, bottom, right, classProb, className,\n  } = box;\n\n  \u002F\u002F 自定义绘图函数：绘制矩形框和标签\n  drawRect(left, top, right - left, bottom - top, `${className} ${classProb}`);\n});\n```\n\n### 核心参数说明\n- `input`: 形状为 `(1, 416, 416, 3)` 的 Tensor，代表 RGB 输入图像。\n- `model`: 加载好的 Tiny YOLO `tf.Model`。\n- `options` (可选): 可配置置信度阈值等参数，例如 `{ classProbThreshold: 0.8 }` 以过滤低概率结果。\n\n### 返回值\n函数返回一个对象数组，每个对象包含：\n- `top`, `left`, `bottom`, `right`: 边界框坐标（像素）。\n- `classProb`: 类别概率。\n- `className`: 类别名称（如 \"person\", \"car\" 等）。","某在线教育平台希望在其网页版监考系统中，实时检测考生是否出现违规物品或多人入镜，以确保考试公平性。\n\n### 没有 tfjs-yolo-tiny 时\n- **隐私与延迟风险高**：必须将摄像头视频流上传至后端服务器进行分析，不仅增加网络延迟导致画面卡顿，还引发用户对视频隐私泄露的担忧。\n- **部署成本昂贵**：为了支撑并发视频分析，需要配置昂贵的 GPU 服务器集群，大幅推高了运营基础设施成本。\n- **开发集成复杂**：前端与后端需通过复杂的 WebSocket 或轮询机制传输图像数据，代码耦合度高，维护难度大。\n- **用户体验割裂**：受限于网络带宽和服务器排队，用户往往需要等待数秒才能看到检测结果，无法实现真正的“实时”反馈。\n\n### 使用 tfjs-yolo-tiny 后\n- **纯前端实时推理**：利用 Tiny YOLO 模型直接在浏览器端运行，视频数据无需离开用户设备，彻底消除隐私顾虑并将延迟降低至毫秒级。\n- **零服务器算力成本**：计算压力转移至用户本地设备，平台无需为图像处理购买额外的 GPU 资源，显著降低运营成本。\n- **极简集成流程**：开发者仅需几行代码即可加载预训练模型并绑定摄像头，无需搭建复杂的后端推理服务，快速上线功能。\n- **流畅交互体验**：即使在普通笔记本电脑上也能保持流畅的检测帧率，考生能即时收到违规行为提示，监考过程自然无感。\n\ntfjs-yolo-tiny 通过将高性能物体检测能力下沉至浏览器端，以极低的成本实现了隐私安全、低延迟且易于部署的实时视觉智能应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FModelDepot_tfjs-yolo-tiny_2a00ebc8.png","ModelDepot","ModelDepot.io","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FModelDepot_86b5508b.png","Open, Transparent Machine Learning for Engineers",null,"hi@modeldepot.io","https:\u002F\u002Fmodeldepot.io","https:\u002F\u002Fgithub.com\u002FModelDepot",[81],{"name":82,"color":83,"percentage":84},"JavaScript","#f1e05a",100,534,88,"2025-10-22T03:26:54","MIT",1,"未说明","不需要专用 GPU，基于 TensorFlow.js 在浏览器端运行（依赖客户端设备的 CPU 或集成显卡）","未说明（示例中提到 2014 款 MacBook Pro 可运行，单帧处理约 800ms）",{"notes":94,"python":95,"dependencies":96},"该工具是一个纯前端 JavaScript 库，无需安装 Python 环境。它通过 npm 或 yarn 安装，直接在浏览器中利用 TensorFlow.js 运行 Tiny YOLO 模型。由于是浏览器端推理，性能取决于用户设备的计算能力（示例中在旧款笔记本上约为 1 FPS）。支持通过配置项调整置信度阈值、非极大值抑制参数等，也支持加载自定义训练的模型。","不需要",[64,97],"@tensorflow\u002Ftfjs",[15,14,52],[100,101,102,103,104,105,106,107,108,109,110,111],"yolo","tensorflow","tensorflow-js","deep-learning","machine-learning","browser","npm-package","detection","yolo-models","tfjs","object-detection","computer-vision","2026-03-27T02:49:30.150509","2026-04-11T21:39:47.525960",[115,120,125,130,135,140,145,150],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},29917,"为什么自定义训练的 YOLO 模型检测结果为空数组？","如果您使用 YAD2K 转换器将 .weights 文件转换为 Keras 格式时遇到问题，尝试修改 yad2k.py 文件中的代码。将 `weights_file.read(16)` 改为 `weights_file.read(20)` 可能解决该问题。这通常与权重文件头部读取长度不匹配有关。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F19",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},29918,"在移动端或运行一段时间后出现 'WebGL: CONTEXT_LOST_WEBGL' 错误怎么办？","此错误通常由内存泄漏引起。维护者已发布 v1.0.1 版本修复了大部分内存泄漏问题。请确保升级到最新版本。此外，虽然 `tf.memory()` 显示的张量数量可能仍在缓慢增加，但内存使用量应保持稳定。如果问题依旧，请检查是否使用了 `tf.tidy` 包裹张量操作，或考虑回退到 tf.js v12 版本，因为部分用户反馈 v13 在某些大模型下表现不佳。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F7",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},29919,"遇到 'Indices must be of dtype `int32`' 错误如何解决？","这是因为 TensorFlow.js 要求索引张量必须是 int32 类型。请在代码中找到所有 `tf.tensor1d(keep_indx)` 和 `tf.tensor1d(indices_arr)` 的地方，并在其后添加 `.toInt()` 方法。例如：`tf.tensor1d(keep_indx).toInt()` 和 `tf.tensor1d(indices_arr).toInt()`。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F3",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},29920,"如何在没有构建工具（如 Webpack）的纯 JavaScript 环境中使用该库？","您可以通过 CDN 直接引入脚本标签来使用。确保按顺序引入 TensorFlow.js 核心库和本库：\n\u003Cscript src=\"https:\u002F\u002Fcdn.jsdelivr.net\u002Fnpm\u002F@tensorflow\u002Ftfjs@0.9.0\">\u003C\u002Fscript>\n\u003Cscript src=\"https:\u002F\u002Fcdn.jsdelivr.net\u002Fnpm\u002Ftfjs-yolo-tiny\">\u003C\u002Fscript>\n注意：如果边界框无法显示，请检查 CSS 样式表是否正确加载，因为边界框是通过 div 元素渲染在视频上方的，缺少样式会导致其不可见。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F4",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},29921,"在 Android 手机上无法进行检测怎么办？","首先确认您使用的 tfjs 版本。版本 0.11 及以上可能存在兼容性问题，尝试使用 0.10 版本。如果使用的是最新代码但仍无效，可能是特定设备或托管环境（如 AWS 实例）的问题。建议先在桌面端验证代码无误，然后对比官方演示页面在您的手机上的表现。如果官方演示正常而您的项目不正常，请检查 HTTPS 权限、摄像头权限以及是否混用了不同版本的依赖。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F11",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},29922,"导入自定义模型时报 'Size must match the product of shape' 形状不匹配错误？","这通常意味着模型架构定义与实际权重文件的维度不一致。请检查您的模型配置文件（如 anchors, num_classes, num_boxes）是否与训练时的设置完全一致。特别是输出层的形状（例如 13x13x5x85），必须与权重文件大小精确匹配。建议重新克隆仓库并仔细核对模型转换步骤，确保 demo 代码链接到了正确的 model.json 和 shard 文件。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F15",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},29923,"在 Angular 等框架中使用 yolo() 方法返回的数据结构不同或报错？","在 Angular 6 或其他现代框架中使用时，请确保安装的依赖版本匹配。需要安装 `@tensorflow\u002Ftfjs` (推荐 ^0.13.2 或更高) 和 `tfjs-yolo-tiny` (^1.0.1 或更高)。如果返回结构异常，请检查输入图像的尺寸是否符合模型要求（通常为 416x416），并确认传递给 yolo 函数的参数（如 numClasses, classNames）与模型训练时的配置一致。","https:\u002F\u002Fgithub.com\u002FModelDepot\u002Ftfjs-yolo-tiny\u002Fissues\u002F18",{"id":151,"question_zh":152,"answer_zh":153,"source_url":129},29924,"如何调试静态图片检测以排除摄像头或视频流问题？","为了排除图像质量或视频流初始化的问题，可以将 `index.html` 中的 `\u003Cvideo>` 元素替换为 `\u003Cimg>` 元素，并将 `src` 指向一张测试图片（例如：https:\u002F\u002Fi.imgur.com\u002FOjk3PB4.jpg）。然后，将这张 img 元素传递给 Webcam 构造函数，并注释掉代码第 19 行的 `webcam.setup()` 调用。这样可以快速验证模型推理逻辑是否正常。",[]]