[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA--Dataset_Synthesizer":3,"tool-NVIDIA--Dataset_Synthesizer":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",153609,2,"2026-04-13T11:34:59",[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":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":141},7103,"NVIDIA\u002FDataset_Synthesizer","Dataset_Synthesizer","NVIDIA Deep learning Dataset Synthesizer (NDDS)","Dataset_Synthesizer 是 NVIDIA 推出的一款基于虚幻引擎 4（UE4）的插件，专为计算机视觉研究打造。它的核心功能是自动生成带有精确标注信息的高质量合成图像数据，支持输出分割图、深度图、物体姿态、边界框及关键点等多种元数据。\n\n在深度学习训练中，获取大量手工标注的真实数据不仅成本高昂，对于三维坐标等复杂标注更是极具挑战。Dataset_Synthesizer 通过构建高度随机化的虚拟场景来解决这一痛点。它能够自动变化光照、物体纹理、相机角度及背景干扰物，轻松生成海量多样化的训练样本，并已成功验证了将合成数据迁移至真实世界应用的有效性。\n\n这款工具非常适合计算机视觉研究人员、算法工程师及机器人开发者使用。其独特亮点在于将强大的游戏渲染引擎转化为数据生产工厂，让用户无需手动标注即可获得“地面真值”完美的数据集，从而大幅降低模型训练门槛，加速研发进程。配合 NVIDIA 提供的可视化工具，用户可以更高效地管理和利用这些合成数据。","NVIDIA Deep learning Dataset Synthesizer (NDDS)\n===============================================\n\nOverview\n--------\n\n**NDDS** is a UE4 plugin from NVIDIA to empower computer vision researchers to export high-quality synthetic images with metadata. NDDS supports images, segmentation, depth, object pose, bounding box, keypoints, and custom stencils. In addition to the exporter, the plugin includes different components for generating highly randomized images. This randomization includes lighting, objects, camera position, poses, textures, and distractors, as well as camera path following, and so forth. Together, these components allow researchers to easily create randomized scenes for training deep neural networks.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_Dataset_Synthesizer_readme_933e7049941e.png)\n\n_Example of an image generated using NDDS, along with ground truth segmentation, depth, and object poses._ \u003Cbr> For utilities to help visualize annotation data associated with synthesized images, see the NVIDIA dataset utilities (NVDU) https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Utilities.\n\nDownloading\n-----------\nThis repository uses gitLFS -- **DO NOT DOWNLOAD AS .ZIP**:\n\n> **First, install git LFS (large file storage):** https:\u002F\u002Fgit-lfs.github.com\u002F , **then lfs clone**.\n\nFor further details, please see https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fblob\u002Fmaster\u002FDocumentation\u002FNDDS.pdf\n\n**`RELEASE NOTES: 4.22 known issue`**\n\n\u003C!--This NDDS version uses UE4 version `4.22` with the following release note: -->\n> If you are using material randomization with more than 10 objects which change materials every frame, you might encounter a hang when stopping the play-in-editor session.  The capturing process will still work, but the `uniform buffer memory` will keep increasing and when user stops the capture session, it takes UE extended time to release the memory.  If it takes too long after stopping the play-in-editor session, we recommend to simply shutdown the editor and restart it.  The only other workaround is to keep using UE4.21, which requires use of NDDS v1.1.\n> \n> This problem is specific to UE4 4.22, as it now automatically uses mesh instancing to improve the performance when rendering a large quantity of meshes.  Now, every time a new mesh is created or its material is changed, the `uniform buffer memory` allocation is increased.          \n> \n> This problem affects both DirectX and OpenGL users.  Although Vulkan doesn't get affected by this, Vulkan doesn't capture depth and class segmentation.\n\n\nMotivation\n----------\nTraining and testing deep learning systems is an expensive and involved task due to the need for hand-labeled data. This is problematic when the task demands expert knowledge or not-so-obvious annotations (e.g., 3D bounding box vertices).  In order to overcome these limitations we have been exploring the use of simulators for generating labeled data. We have shown in [1,2] that highly randomized synthetic data can be used to train computer vision systems for real-world applications, thus showing successful domain transfer.\n\nCitation\n--------\nIf you use this tool in a research project, please cite as follows:\n> \\@misc{to2018ndds,\u003Cbr> author = {Thang To and Jonathan Tremblay and Duncan McKay and Yukie Yamaguchi and Kirby Leung and Adrian Balanon and Jia Cheng and William Hodge and Stan Birchfield},\u003Cbr> note= {\\url{ https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer }},\u003Cbr> title = {{NDDS}: {NVIDIA} Deep Learning Dataset Synthesizer},\u003Cbr> Year = 2018\u003Cbr>}\n\n\nReferences\n----------\n[1] J. Tremblay, T. To, A. Molchanov, S. Tyree, J. Kautz, S. Birchfield. Synthetically Trained Neural Networks for Learning Human-Readable Plans from Real-World Demonstrations. In International Conference on Robotics and Automation (ICRA), 2018.\n\n[2] J. Tremblay, T. To, S. Birchfield.  Falling Things:  A Synthetic Dataset for 3D Object Detection and Pose Estimation.  CVPR Workshop on Real World Challenges and New Benchmarks for Deep Learning in Robotic Vision, 2018.","NVIDIA 深度学习数据集合成器（NDDS）\n===============================================\n\n概述\n--------\n\n**NDDS** 是 NVIDIA 提供的一款 UE4 插件，旨在帮助计算机视觉研究人员导出高质量的带元数据的合成图像。NDDS 支持图像、语义分割、深度图、物体位姿、边界框、关键点以及自定义模板等标注信息。除了图像导出功能外，该插件还包含多种组件，用于生成高度随机化的场景。这些随机化选项包括光照、物体、相机位置、姿态、纹理、干扰物等，同时还支持相机路径跟随等功能。通过这些组件的组合使用，研究人员可以轻松创建用于训练深度神经网络的随机化场景。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_Dataset_Synthesizer_readme_933e7049941e.png)\n\n_使用 NDDS 生成的一张示例图像，附带真值分割、深度和物体位姿标注。_ \u003Cbr> 如需辅助工具来可视化与合成图像关联的标注数据，请参阅 NVIDIA 数据集工具包（NVDU）：https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Utilities。\n\n下载\n-----------\n本仓库使用 gitLFS -- **请勿以 .ZIP 格式下载**：\n\n> **首先安装 git LFS（大文件存储）：** https:\u002F\u002Fgit-lfs.github.com\u002F ，**然后使用 lfs clone 克隆仓库。**\n\n更多详细信息请参阅：https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fblob\u002Fmaster\u002FDocumentation\u002FNDDS.pdf\n\n**`发布说明：4.22 已知问题`**\n\n\u003C!--此 NDDS 版本基于 UE4 版本 `4.22`，其发布说明如下： -->\n> 如果您在使用材质随机化功能时，场景中存在超过 10 个每帧都会更换材质的物体，在停止编辑器内的播放会话时，可能会出现程序卡死的情况。尽管捕捉过程仍能正常运行，但 `uniform buffer memory` 会持续增加；当用户停止捕捉会话时，UE 需要较长时间才能释放这部分内存。如果停止编辑器播放后等待时间过长，建议直接关闭并重新启动编辑器。另一种解决方法是继续使用 UE4.21 版本，此时需要搭配 NDDS v1.1 使用。\n> \n> 该问题仅出现在 UE4 4.22 版本中，因为该版本为了提升大量网格渲染的性能，会自动启用网格实例化技术。每当创建新网格或更改其材质时，`uniform buffer memory` 的分配量就会增加。          \n> \n> 此问题同时影响 DirectX 和 OpenGL 用户。虽然 Vulkan 不受此问题影响，但 Vulkan 平台无法捕获深度图和类别分割信息。\n\n\n动机\n----------\n由于需要人工标注数据，深度学习系统的训练和测试是一项成本高昂且复杂的工作。当任务要求专业知识或非直观的标注（例如 3D 边界框顶点）时，这一问题尤为突出。为克服这些限制，我们一直在探索利用模拟器生成标注数据的方法。我们在文献 [1,2] 中证明，高度随机化的合成数据可用于训练面向真实世界应用的计算机视觉系统，从而实现成功的领域迁移。\n\n引用\n--------\n如果您在研究项目中使用本工具，请按以下方式引用：\n> \\@misc{to2018ndds,\u003Cbr> author = {Thang To and Jonathan Tremblay and Duncan McKay and Yukie Yamaguchi and Kirby Leung and Adrian Balanon and Jia Cheng and William Hodge and Stan Birchfield},\u003Cbr> note= {\\url{ https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer }},\u003Cbr> title = {{NDDS}: {NVIDIA} Deep Learning Dataset Synthesizer},\u003Cbr> Year = 2018\u003Cbr>}\n\n\n参考文献\n----------\n[1] J. Tremblay, T. To, A. Molchanov, S. Tyree, J. Kautz, S. Birchfield. 基于合成数据训练的神经网络：从真实世界演示中学习人类可读计划。载于国际机器人与自动化会议（ICRA），2018 年。\n\n[2] J. Tremblay, T. To, S. Birchfield. 下落物体：用于 3D 物体检测与位姿估计的合成数据集。载于 CVPR 机器人视觉中深度学习的真实世界挑战与新基准研讨会，2018 年。","# Dataset_Synthesizer (NDDS) 快速上手指南\n\nNVIDIA Deep Learning Dataset Synthesizer (NDDS) 是一款基于 Unreal Engine 4 (UE4) 的插件，旨在帮助计算机视觉研究人员导出带有高质量元数据（如分割、深度、物体姿态、边界框等）的合成图像。通过高度随机化的场景生成（光照、纹理、相机路径等），该工具可有效解决深度学习训练中标注数据稀缺的问题。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows 或 Linux（推荐 Windows 以获得最佳 UE4 支持）。\n*   **Unreal Engine**：\n    *   推荐使用 **UE4.21** 搭配 **NDDS v1.1**（稳定性最佳，无已知内存泄漏问题）。\n    *   若使用 **UE4.22**，需注意已知问题：当对超过 10 个每帧更换材质的对象进行材质随机化时，停止编辑器会话可能导致长时间挂起（需重启编辑器）。此外，Vulkan 模式下无法捕获深度和类别分割信息。\n*   **版本控制**：必须安装 **Git** 及 **Git LFS (Large File Storage)**。\n    *   Git LFS 下载地址：https:\u002F\u002Fgit-lfs.github.com\u002F\n    *   *国内加速建议*：若访问 GitHub 缓慢，可配置 Git 代理或使用国内镜像源克隆仓库（如有）。\n\n## 安装步骤\n\n由于项目包含大型二进制文件，**严禁直接下载 ZIP 包**，必须使用 `git lfs clone` 命令。\n\n1.  **安装 Git LFS**\n    下载并运行安装程序，或在终端执行：\n    ```bash\n    git lfs install\n    ```\n\n2.  **克隆仓库**\n    使用以下命令克隆项目（确保网络通畅，必要时配置代理）：\n    ```bash\n    git lfs clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer.git\n    ```\n\n3.  **集成到 UE4 项目**\n    *   打开您的 UE4 项目文件夹。\n    *   将克隆下来的 `Plugins` 目录（或 NDDS 插件文件夹）复制到您的 UE4 项目根目录下的 `Plugins` 文件夹中（若不存在则新建）。\n    *   重新启动 Unreal Editor，在 `Edit` -> `Plugins` 中搜索 \"NDDS\" 并启用它。\n\n> **注意**：详细的技术文档请参阅项目内的 `Documentation\u002FNDDS.pdf`。\n\n## 基本使用\n\n以下是最简单的使用流程，用于生成带标注的合成数据：\n\n1.  **构建示例场景**\n    *   在 UE4 编辑器中打开一个包含静态网格体（Static Meshes）的场景。\n    *   确保场景中有光源和至少一个摄像机（Camera Actor）。\n\n2.  **配置 NDDS 组件**\n    *   选中场景中的物体，添加 `NDDSObjectComponent` 以定义物体元数据（如类别、实例 ID）。\n    *   选中摄像机，添加 `NDDSCameraComponent`。\n    *   在 `NDDSCameraComponent` 的细节面板中，勾选需要导出的数据类型（例如：`Export Segmentation`, `Export Depth`, `Export Bounding Box` 等）。\n\n3.  **设置随机化（可选）**\n    *   利用 NDDS 提供的随机化组件（Randomizers）对光照、物体位置、纹理或添加干扰物进行配置，以生成多样化的训练数据。\n\n4.  **执行捕获**\n    *   点击编辑器上方的 **Play** (播放) 按钮。\n    *   NDDS 会自动按照配置的频率捕获图像及对应的元数据文件（JSON 格式）。\n    *   默认输出路径通常在项目的 `Saved` 目录下，具体可在相机组件中配置。\n\n5.  **查看结果**\n    *   生成的图像与标注文件可用于直接训练深度学习模型。\n    *   如需可视化标注数据（如将 JSON 解析为掩码图），请参考 NVIDIA 官方配套工具：[Dataset_Utilities (NVDU)](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Utilities)。","某自动驾驶初创团队正在研发用于仓库物流机器人的 3D 物体检测算法，急需大量带有精确 3D 边界框和姿态标注的训练数据。\n\n### 没有 Dataset_Synthesizer 时\n- **标注成本极高**：依赖人工对真实拍摄的图片进行 3D 顶点标注，不仅耗时费力，还需要具备专业几何知识的专家参与，导致数据积累速度极慢。\n- **极端场景缺失**：难以在现实仓库中复现强光直射、极度昏暗或货物严重遮挡等罕见但关键的边缘案例，模型鲁棒性不足。\n- **真值精度受限**：人工标注不可避免地存在误差，尤其是对于被部分遮挡物体的深度信息和精确姿态，噪声会直接降低模型上限。\n- **数据多样性不足**：受限于物理场地和现有货物种类，无法快速生成涵盖成千上万种不同纹理、形状和排列组合的训练样本。\n\n### 使用 Dataset_Synthesizer 后\n- **自动化生成真值**：利用 UE4 插件直接导出包含完美 3D 边界框、物体姿态、分割掩码和深度图的合成图像，彻底免除人工标注环节。\n- **参数化随机场景**：通过内置组件轻松设置光照变化、相机路径、物体材质随机化及干扰物，瞬间构建出覆盖各种极端条件的训练集。\n- **像素级精确标注**：合成数据自带零误差的 Ground Truth，即使是复杂遮挡下的物体姿态也精准无误，显著提升了模型的收敛速度和精度。\n- **无限数据扩展**：只需调整配置文件即可批量生成数百万张具有高度多样性的场景图片，快速填补长尾分布数据的空白。\n\nDataset_Synthesizer 通过将高保真仿真与自动化标注相结合，以近乎零边际成本解决了深度学习中最昂贵且稀缺的标注数据瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_Dataset_Synthesizer_933e7049.png","NVIDIA","NVIDIA Corporation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA_7dcf6000.png","",null,"https:\u002F\u002Fnvidia.com","https:\u002F\u002Fgithub.com\u002FNVIDIA",[80,84],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",98.7,{"name":85,"color":86,"percentage":87},"C#","#178600",1.3,600,133,"2026-03-26T21:52:24","NOASSERTION",5,"Windows, Linux, macOS","未说明具体型号，但作为 NVIDIA 开发的 UE4 插件，通常建议配备支持 DirectX\u002FOpenGL\u002FVulkan 的 NVIDIA GPU。README 提到 Vulkan 后端无法捕获深度和类别分割信息。","未说明",{"notes":97,"python":95,"dependencies":98},"1. 必须安装 git-lfs 并采用 lfs clone 方式下载，不可直接下载 ZIP 包。\n2. 核心运行环境为 Unreal Engine (UE4)，官方主要测试版本为 4.21 和 4.22。\n3. 已知问题：在 UE4.22 中，若对超过 10 个对象进行每帧材质随机化，停止编辑器会话时可能导致内存释放缓慢甚至挂起，建议重启编辑器或使用 UE4.21 (配合 NDDS v1.1)。\n4. 图形 API 注意：虽然 Vulkan 不受上述内存问题影响，但它不支持捕获深度图和类别分割图；DirectX 和 OpenGL 用户会受该内存问题影响。",[99,100],"Unreal Engine 4.21 或 4.22","git-lfs",[16,15,14],[103,104,105,106,107,108],"computer-vision","deep-learning","synthetic-dataset-generation","domain-randomization","pose-estimation","object-detection","2026-03-27T02:49:30.150509","2026-04-13T22:44:10.154760",[112,117,121,126,131,136],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},31919,"如何将 YCB 物体模型导入 Unreal Engine 并解决对齐问题？","UE4 原生支持 .obj 文件，无需转换为 .fbx。由于官方 YCB 模型未正确对齐，建议使用 NVDU 工具下载并生成已对齐的模型。具体步骤：\n1. 使用 NVDU 工具中的 nvdu_ycb 功能（参考链接：https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Utilities#nvdu_ycb）。\n2. 下载并生成对齐后的 .obj 文件。\n3. 直接将生成的 .obj 文件拖入 UE4 即可使用。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fissues\u002F24",{"id":118,"question_zh":119,"answer_zh":120,"source_url":116},31920,"在 Unreal Engine 4.22 及以上版本中构建项目需要什么环境依赖？","UE4 4.22 及更高版本要求安装 Visual Studio 2017 或更新版本。建议安装免费的 VS2017 Community 版本以满足构建该项目的需求。",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},31921,"从 UE4.21 迁移资产到 UE4.22 后资产不显示或蓝图失效怎么办？","迁移过程中可能出现资产不显示或蓝图（Blueprints）失效的问题，解决方案如下：\n1. 复制原始项目文件夹并与新项目文件夹合并。\n2. 手动将所有必要的资产从 4.21 迁移到 4.22（注意：父类不会自动迁移，需单独处理并在编辑器中重新分配）。\n3. 如果迁移导致项目脱离 Unreal Studio 模式（禁用 Datasmith），请在编辑器中执行：Edit > Plugins > Unreal Studio > Convert 以重新转换项目。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fissues\u002F5",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},31922,"为什么在 UE4.22 中 TestCapturer 无法捕获数据或 HUD 不显示？","这通常是因为蓝图（Blueprints）在版本迁移过程中失败导致的，特别是 NVSceneCapturerGameHUD_BP。解决方法是手动重新迁移所有蓝图文件。在手动迁移时，请务必注意文件结构的完整性，确保所有依赖关系正确连接。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fissues\u002F17",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},31923,"如何在项目中找到 NVSceneCapturerGameMode_BP 等游戏模式蓝图？","如果在 UE4 编辑器中无法找到特定的游戏模式蓝图（如 NVSceneCapturerGameMode_BP），但在文件系统中存在，可能是由于网络代理导致 Git LFS 文件下载不完整。请检查网络连接，尝试在非代理环境下重新拉取项目，或手动确认大型文件是否已正确下载。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fissues\u002F27",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},31924,"标注数据中的边界框（bounding box）和投影立方体坐标无效或错误是什么原因？","当在场景中添加物体（如立方体）后出现标注坐标异常（如数值极大或中心点偏移），通常是因为物体变换或未正确应用导致。虽然具体修复步骤因个案而异，但建议检查物体在场景中的初始变换设置，并确保在生成标注前物体已正确放置且无缩放异常。若问题持续，可参考官方文档重新配置 Scene Capturer 组件。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDataset_Synthesizer\u002Fissues\u002F6",[142,147,152,157],{"id":143,"version":144,"summary_zh":145,"released_at":146},239187,"1.2.2","近日，我们的代码仓库已达到 GitHub 的数据带宽上限，导致用户无法克隆或拉取代码。我们正在尝试多种解决方案，例如将代码与二进制数据分离，或将整个仓库迁移到其他托管平台。然而，这些方法都需要一定时间。因此，在此期间，我们对 NDDS 的最新代码进行了压缩，并提供在此处下载的入口。\n一旦确定了解决带宽问题的具体方案，我们将及时发布进一步的更新。","2020-04-03T21:19:21",{"id":148,"version":149,"summary_zh":150,"released_at":151},239188,"v1.2","v1.2：代码更新至 UnrealEngine 4.22 + 功能改进 + 相应文档更新：\n\n发布说明：4.22 已知问题：\n如果您在每帧都会更换材质的超过 10 个对象上使用材质随机化功能，在停止编辑器内播放时，可能会出现程序卡顿。捕获过程仍能正常工作，但统一缓冲区的内存会持续增长；当用户停止捕获会话时，Unreal Engine 需要较长时间才能释放这些内存。如果在停止编辑器内播放后等待时间过长，建议直接关闭并重新启动编辑器。另一种解决方法是继续使用 UE4.21 版本，并搭配 NDDS v1.1 使用。\n\n此问题仅存在于 UE4 4.22 中，因为该版本现在会自动启用网格实例化以提升大量网格渲染的性能。然而，每当创建新网格或更改其材质时，统一缓冲区的内存分配就会增加。\n\n该问题同时影响 DirectX 和 OpenGL 用户。尽管 Vulkan 不受此问题影响，但 Vulkan 平台无法捕获深度信息和类别分割数据。","2019-08-28T22:39:25",{"id":153,"version":154,"summary_zh":155,"released_at":156},239189,"v1.1","v1.1：代码更新至 UnrealEngine 4.21，并相应更新文档。","2019-06-04T00:44:30",{"id":158,"version":159,"summary_zh":160,"released_at":161},239190,"v1.0","同步到 v1.0 的这个标签","2018-08-20T18:08:59"]