[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA-AI-IOT--deepstream_reference_apps":3,"tool-NVIDIA-AI-IOT--deepstream_reference_apps":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",155373,2,"2026-04-14T11:34:08",[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":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":99,"env_os":112,"env_gpu":113,"env_ram":114,"env_deps":115,"category_tags":123,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":126,"updated_at":127,"faqs":128,"releases":129},7483,"NVIDIA-AI-IOT\u002Fdeepstream_reference_apps","deepstream_reference_apps","Samples for TensorRT\u002FDeepstream for Tesla & Jetson","deepstream_reference_apps 是 NVIDIA 官方提供的一套基于 DeepStream 9.0 和 TensorRT 的视频分析参考应用集合，专为 Tesla GPU 和 Jetson 边缘设备设计。它旨在解决开发者在构建高性能、低延迟视频智能分析系统时面临的起步难、示例少等痛点，通过提供经过验证的代码模板，帮助用户快速掌握从基础数据流处理到复杂 AI 模型集成的全流程。\n\n这套工具非常适合从事计算机视觉开发的工程师、算法研究人员以及希望部署实时视频分析方案的技术团队。其核心亮点在于涵盖了丰富多样的前沿场景：不仅包含异常检测、多目标跟踪与分割（集成 SAM2 模型），还展示了单目及多视角的 3D 人体重建技术，甚至支持通过 VLLM 插件实现实时的视觉 - 语言模型（VLM）视频理解。此外，它还深入演示了并行推理、动态源管理、跨进程视频缓冲共享等高级工程技巧。无论是需要优化解码吞吐量的资深架构师，还是希望探索 3D 追踪与多模态分析的科研人员，都能从中找到极具价值的实践指引，从而大幅缩短从原型验证到实际落地的开发周期。","# Reference Apps using DeepStream 9.0\n\nThis repository contains the reference applications for video analytics tasks using TensorRT and DeepSTream SDK 9.0.\n\n## Getting Started ##\nWe currently provide three different reference applications:\n\nPreferably clone this project in\n`\u002Fopt\u002Fnvidia\u002Fdeepstream\u002Fdeepstream\u002Fsources\u002Fapps\u002Fsample_apps\u002F`\n\nTo clone the project in the above directory, sudo permission may be required.\n\nFor further details, please see each project's README.\n\n### Anomaly Detection : [README](anomaly\u002FREADME.md) ###\n  The project contains auxiliary dsdirection plugin to show the capability of DeepstreamSDK in anomaly detection.\n  ![sample anomaly output](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_d372067a2f89.png)\n### Runtime Source Addition Deletion: [README](runtime_source_add_delete\u002FREADME.md) ###\n  The project demonstrates addition and deletion of video sources in a live Deepstream pipeline.\n### MaskTracker: [README](deepstream-masktracker\u002FREADME.md) ###\n  This sample app demonstrates DeepStream MaskTracker for multi-object tracking and segmentation using SAM2.\n  ![sample MaskTracker output](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_d0d1b97767b8.gif)\n### Single-View 3D Tracking: [README](deepstream-tracker-3d\u002FREADME.md) ###\n  The sample app demonstrates single-view 3D tracking with DeepStream multi-object tracking to reconstruct 3D human model in world coordinates under occlusion.\n  ![sample 3D tracking output](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_25b2e33e3e6d.png)\n### Multi-View 3D Tracking: [README](deepstream-tracker-3d-multi-view) ###\n  The samples demonstrate multi-view 3D tracking in DeepStream, a distributed, real-time framework designed for large-scale, calibrated camera networks.\n\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_dc7d8061945d.png\" alt=\"sample mulit-view 3D tracking output\" width=\"684\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_bc7f74f5a784.png\" alt=\"sample BEV output from multi-view 3D tracking\" width=\"383\">\n### Parallel Multiple Models Inferencing: [README](deepstream_parallel_inference_app\u002FREADME.md) ###\n  The project demonstrate how to implement multiple models inferencing in parallel with DeepStream APIs.\n### Bodypose 3D Model Inferencing: [README](deepstream-bodypose-3d\u002FREADME.md) ###\n  The sample demonstrate how to customize the multiple input layers model preprocessing and the customization of the bodypose 3D model postprocessing.\n  ![Bodypose 3D sample output](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_596455c5e5f7.png)\n### Video Buffers sharing between pipelines through IPC: [README](deepstream-ipc-test-sr\u002FREADME.md) ###\n  This sample demonstrates how to share video buffers over IPC and how to change output video buffers.\n### Multiple Dynamic Sources with Single Decoder:[README](deepstream-dynamicsrcbin-test\u002FREADME) ###\n The sample demonstrates the usage of nvdsdynamicsrcbin in DeepStream pipeline.It helps to construct the application of multiple dynamic sources with a single video decoder to adapt to the high decoder throughput scenarios.\n### Custom Video Tiling Config: [README](deepstream-custom-tile-config\u002FREADME.md) ###\n This sample demonstrates the usage of \"custom-tile-config\" of nvmultistreamtiler to customize the tiling positions and sizes of multiple videos in batch.\n### DeepStream VLLM Plugin: [README](deepstream-vllm-plugin\u002FREADME.md) ###\n A GStreamer plugin for NVIDIA DeepStream that integrates Vision-Language Models (VLM) using VLLM for real-time video understanding and analysis.\n\n## Pyservicemaker Sample apps\nThe apps in pyservicemaker_sample_apps are additional samples demonstrating usage of the Python API for DeepStream Service Maker, either by flow API or by pipeline API. See the [Python Service Maker documentation](https:\u002F\u002Fdocs.nvidia.com\u002Fmetropolis\u002Fdeepstream\u002Fdev-guide\u002Ftext\u002FDS_service_maker_python.html) for details.\n\n## Legacy DeepStream Reference Samples\nSome old samples are not supported any more for different reasons. The legacy samples are moved to the legacy folder \u002Flegacy_apps.\n","# 使用 DeepStream 9.0 的参考应用\n\n此仓库包含使用 TensorRT 和 DeepStream SDK 9.0 完成视频分析任务的参考应用程序。\n\n## 快速入门 ##\n我们目前提供了三个不同的参考应用：\n\n建议将本项目克隆到\n`\u002Fopt\u002Fnvidia\u002Fdeepstream\u002Fdeepstream\u002Fsources\u002Fapps\u002Fsample_apps\u002F`\n\n若要将项目克隆到上述目录，可能需要超级用户权限。\n\n更多详细信息，请参阅各个项目的 README 文件。\n\n### 异常检测：[README](anomaly\u002FREADME.md) ###\n该项目包含辅助的 dsdirection 插件，用于展示 DeepStream SDK 在异常检测方面的能力。\n![异常检测示例输出](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_d372067a2f89.png)\n\n### 运行时添加与删除视频源：[README](runtime_source_add_delete\u002FREADME.md) ###\n该项目演示了在实时 DeepStream 管道中动态添加和删除视频源的功能。\n\n### MaskTracker：[README](deepstream-masktracker\u002FREADME.md) ###\n此示例应用展示了使用 SAM2 实现多目标跟踪与分割的 DeepStream MaskTracker。\n![MaskTracker 示例输出](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_d0d1b97767b8.gif)\n\n### 单视角 3D 跟踪：[README](deepstream-tracker-3d\u002FREADME.md) ###\n该示例应用演示了在遮挡情况下，利用 DeepStream 多目标跟踪技术重建世界坐标系下的人体 3D 模型的单视角 3D 跟踪功能。\n![3D 跟踪示例输出](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_25b2e33e3e6d.png)\n\n### 多视角 3D 跟踪：[README](deepstream-tracker-3d-multi-view) ###\n这些示例展示了在 DeepStream 中实现多视角 3D 跟踪的技术，该框架是一个专为大规模校准相机网络设计的分布式实时系统。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_dc7d8061945d.png\" alt=\"多视角 3D 跟踪示例输出\" width=\"684\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_bc7f74f5a784.png\" alt=\"多视角 3D 跟踪的 BEV 输出\" width=\"383\">\n\n### 并行多模型推理：[README](deepstream_parallel_inference_app\u002FREADME.md) ###\n该项目演示了如何使用 DeepStream API 实现多模型的并行推理。\n\n### Bodypose 3D 模型推理：[README](deepstream-bodypose-3d\u002FREADME.md) ###\n该示例展示了如何自定义多输入层模型的预处理步骤，以及对 Bodypose 3D 模型后处理部分的定制化操作。\n![Bodypose 3D 示例输出](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_readme_596455c5e5f7.png)\n\n### 通过 IPC 在管道间共享视频缓冲区：[README](deepstream-ipc-test-sr\u002FREADME.md) ###\n本示例演示了如何通过进程间通信（IPC）共享视频缓冲区，以及如何更改输出视频缓冲区。\n\n### 单解码器支持多个动态源：[README](deepstream-dynamicsrcbin-test\u002FREADME) ###\n该示例演示了在 DeepStream 管道中使用 nvdsdynamicsrcbin 组件的方法。它有助于构建仅需一个视频解码器即可支持多个动态源的应用程序，从而适应高解码吞吐量的场景。\n\n### 自定义视频拼接配置：[README](deepstream-custom-tile-config\u002FREADME.md) ###\n本示例展示了如何使用 nvmultistreamtiler 的“custom-tile-config”功能，来自定义批量视频的拼接位置和尺寸。\n\n### DeepStream VLLM 插件：[README](deepstream-vllm-plugin\u002FREADME.md) ###\n这是一个基于 GStreamer 的 NVIDIA DeepStream 插件，集成了视觉-语言模型（VLM），利用 VLLM 实现实时视频理解和分析。\n\n## Pyservicemaker 参考应用\npyservicemaker_sample_apps 中的应用是额外的示例，展示了如何使用 DeepStream Service Maker 的 Python API，无论是通过流式 API 还是管道 API。有关详细信息，请参阅 [Python Service Maker 文档](https:\u002F\u002Fdocs.nvidia.com\u002Fmetropolis\u002Fdeepstream\u002Fdev-guide\u002Ftext\u002FDS_service_maker_python.html)。\n\n## 旧版 DeepStream 参考示例\n由于各种原因，部分旧版示例已不再受支持。这些遗留示例已被移至 \u002Flegacy_apps 文件夹中。","# DeepStream 9.0 参考应用快速上手指南\n\n本指南旨在帮助开发者快速部署并运行基于 NVIDIA DeepStream SDK 9.0 的视频分析参考应用。这些应用涵盖了异常检测、多目标跟踪、3D 重建及大模型集成等前沿功能。\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*   **硬件平台**：NVIDIA Jetson 系列 (Orin, Xavier, Nano) 或 x86_64 架构搭配 NVIDIA GPU (需支持 TensorRT)。\n*   **操作系统**：Ubuntu 20.04 \u002F 22.04 (x86) 或 JetPack 6.x (Jetson)。\n*   **核心依赖**：\n    *   已安装 **DeepStream SDK 9.0**。\n    *   已安装 **TensorRT** (通常随 DeepStream 自动安装)。\n    *   已安装 **GStreamer** 及相关插件。\n    *   Python 3.8+ (如需运行 Python Service Maker 示例)。\n*   **权限要求**：需要 `sudo` 权限以将文件写入系统目录。\n\n> **注意**：本仓库中的部分高级功能（如 SAM2 MaskTracker、VLLM 插件）可能需要额外的模型文件或特定的 CUDA 版本支持，请参考各子项目的具体 README 获取详细依赖说明。\n\n## 安装步骤\n\n官方推荐将项目克隆至 DeepStream 的标准示例目录下，以便与 SDK 环境完美兼容。\n\n1.  **进入目标目录**\n    切换到 DeepStream 源码应用目录：\n    ```bash\n    cd \u002Fopt\u002Fnvidia\u002Fdeepstream\u002Fdeepstream\u002Fsources\u002Fapps\u002Fsample_apps\u002F\n    ```\n\n2.  **克隆参考应用仓库**\n    使用 `git` 克隆本项目。如果直接克隆速度较慢，可尝试配置 Git 代理或使用国内镜像源加速：\n    ```bash\n    # 标准克隆命令\n    sudo git clone https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fdeepstream_reference_apps.git\n\n    # 若网络受限，可先配置 HTTP 代理后再执行上述命令\n    # export http_proxy=http:\u002F\u002Fyour-proxy-ip:port\n    # export https_proxy=http:\u002F\u002Fyour-proxy-ip:port\n    ```\n\n3.  **验证安装**\n    进入克隆后的目录，确认包含各个子项目文件夹（如 `anomaly`, `deepstream-masktracker` 等）：\n    ```bash\n    cd deepstream_reference_apps\n    ls\n    ```\n\n## 基本使用\n\n本仓库包含多个独立的参考应用，每个应用针对不同的视频分析场景。以下是运行最基础的**异常检测 (Anomaly Detection)** 示例的步骤，其他应用的使用逻辑类似（需进入对应子目录查看具体参数）。\n\n### 示例：运行异常检测应用\n\n该示例展示了如何使用 `dsdirection` 插件进行光流分析和异常行为检测。\n\n1.  **进入项目目录**\n    ```bash\n    cd anomaly\n    ```\n\n2.  **编译应用**\n    使用 `make` 命令编译源代码：\n    ```bash\n    make\n    ```\n\n3.  **运行演示**\n    编译成功后，运行生成的可执行文件。通常需要指定一个输入视频文件或 RTSP 流地址：\n    ```bash\n    .\u002Fdeepstream-app -c config_infer.txt\n    ```\n    *(注：具体的配置文件名和参数请以 `anomaly\u002FREADME.md` 中的说明为准，部分示例可能直接运行二进制文件如 `.\u002Fapp_name`)*\n\n### 其他热门应用速览\n\n*   **SAM2 多目标跟踪与分割**:\n    ```bash\n    cd ..\u002Fdeepstream-masktracker\n    make\n    # 运行命令参考该目录下的 README\n    ```\n*   **单视图 3D 人体追踪**:\n    ```bash\n    cd ..\u002Fdeepstream-tracker-3d\n    make\n    ```\n*   **VLLM 视觉语言模型插件**:\n    ```bash\n    cd ..\u002Fdeepstream-vllm-plugin\n    # 需确保已安装 VLLM 及相关 Python 依赖\n    ```\n\n### 使用 Python Service Maker\n\n如果您倾向于使用 Python API 构建 pipeline，可以参考 `pyservicemaker_sample_apps` 目录：\n\n```bash\ncd ..\u002Fpyservicemaker_sample_apps\npython3 \u003Cscript_name>.py\n```\n\n> **提示**：每个子文件夹内均包含独立的 `README.md`，其中详细列出了该特定应用所需的模型下载链接、配置文件修改说明及完整的运行命令。建议在执行前优先阅读对应子项目的文档。","某大型连锁零售企业希望在门店部署基于摄像头的实时人流分析与异常行为检测系统，以优化运营并保障安全。\n\n### 没有 deepstream_reference_apps 时\n- 开发团队需从零构建多路视频流的解码与推理管线，难以高效利用 Tesla 或 Jetson 硬件的并行计算能力，导致延迟极高。\n- 实现跨摄像头的 3D 人体追踪和遮挡处理缺乏参考代码，算法团队花费数周时间调试坐标转换逻辑仍无法达到实用精度。\n- 动态增减监控摄像头源需要重启整个服务，无法适应营业期间设备临时故障或扩容的灵活需求。\n- 集成最新的视觉语言模型（VLM）进行视频理解时，缺乏现成的 GStreamer 插件示例，自定义开发门槛高且易出错。\n\n### 使用 deepstream_reference_apps 后\n- 直接复用官方提供的并行推理示例，快速搭建起支持多模型同时运行的高性能管线，将端到端分析延迟降低至毫秒级。\n- 基于多视角 3D 追踪参考应用，迅速实现了复杂遮挡环境下的人体重建与定位，无需重复造轮子即可产出精准的鸟瞰图数据。\n- 利用运行时源增删示例，实现了在不中断主程序的情况下动态接入或移除摄像头，大幅提升了系统的运维灵活性。\n- 通过 DeepStream VLLM 插件示例，轻松集成了先进的视觉语言模型，使系统具备了实时描述视频内容和识别复杂异常行为的能力。\n\ndeepstream_reference_apps 通过提供经过验证的工业级代码模板，将原本需要数月研发的智能视频分析系统落地周期缩短至数周。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_deepstream_reference_apps_d372067a.png","NVIDIA-AI-IOT","NVIDIA AI IOT","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA-AI-IOT_3faae4f1.png","",null,"https:\u002F\u002Fdeveloper.nvidia.com\u002F","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT",[80,84,88,92,96,100,104],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",41.7,{"name":85,"color":86,"percentage":87},"C","#555555",24.1,{"name":89,"color":90,"percentage":91},"Python","#3572A5",22.4,{"name":93,"color":94,"percentage":95},"Shell","#89e051",6.2,{"name":97,"color":98,"percentage":99},"Makefile","#427819",4,{"name":101,"color":102,"percentage":103},"HTML","#e34c26",1.3,{"name":105,"color":106,"percentage":107},"Cuda","#3A4E3A",0.2,1314,368,"2026-04-14T03:12:13","NOASSERTION","Linux","必需 NVIDIA GPU (需支持 TensorRT 和 DeepStream SDK 9.0)，具体型号、显存大小及 CUDA 版本未在文中说明","未说明",{"notes":116,"python":117,"dependencies":118},"该项目专为 DeepStream SDK 9.0 设计，建议克隆至 `\u002Fopt\u002Fnvidia\u002Fdeepstream\u002Fdeepstream\u002Fsources\u002Fapps\u002Fsample_apps\u002F` 目录（可能需要 sudo 权限）。部分功能（如多视角 3D 追踪）适用于大规模校准相机网络。旧版示例已移至 legacy 文件夹不再支持。","未说明 (提及了 Python API 示例，但未指定具体版本)",[119,120,121,122],"DeepStream SDK 9.0","TensorRT","SAM2 (用于 MaskTracker)","VLLM (用于 VLM 插件)",[124,14,125],"视频","其他","2026-03-27T02:49:30.150509","2026-04-15T04:16:58.983890",[],[]]