[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA-AI-IOT--yolo_deepstream":3,"tool-NVIDIA-AI-IOT--yolo_deepstream":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":115,"env_deps":116,"category_tags":126,"github_topics":127,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":133,"updated_at":134,"faqs":135,"releases":181},2080,"NVIDIA-AI-IOT\u002Fyolo_deepstream","yolo_deepstream","yolo model qat and deploy with deepstream&tensorrt","yolo_deepstream 是一个专为高效部署 YOLO 目标检测模型设计的开源项目，旨在打通从模型量化训练到边缘端高性能推理的全流程。它主要解决了在 NVIDIA Jetson Orin 或 Tesla T4 等硬件上，如何平衡检测精度与推理速度的难题，特别是通过量化感知训练（QAT）技术，让模型在转为 INT8 精度后仍能保持接近浮点模型的准确率，同时大幅提升运行帧率。\n\n该项目包含四个核心部分：支持基于 PyTorch 进行 YOLOv7 的 QAT 微调训练；提供独立的 C++ TensorRT 推理示例，支持将 ONNX 模型转换为高性能引擎；展示如何将自定义解析层的 YOLO 模型无缝集成到 DeepStream SDK 中，实现多路视频流的实时分析；此外还附带了 YOLOv4 的独立推理样例。实测数据显示，在 Jetson AGX Orin 设备上，INT8 模式下的多流处理性能显著优于传统 CPU 后处理方案。\n\nyolo_deepstream 非常适合需要在嵌入式设备或服务器上落地实时视觉应用的 AI 开发者、算法工程师及研究人员使用。如果你正致力于优化 YOLO","yolo_deepstream 是一个专为高效部署 YOLO 目标检测模型设计的开源项目，旨在打通从模型量化训练到边缘端高性能推理的全流程。它主要解决了在 NVIDIA Jetson Orin 或 Tesla T4 等硬件上，如何平衡检测精度与推理速度的难题，特别是通过量化感知训练（QAT）技术，让模型在转为 INT8 精度后仍能保持接近浮点模型的准确率，同时大幅提升运行帧率。\n\n该项目包含四个核心部分：支持基于 PyTorch 进行 YOLOv7 的 QAT 微调训练；提供独立的 C++ TensorRT 推理示例，支持将 ONNX 模型转换为高性能引擎；展示如何将自定义解析层的 YOLO 模型无缝集成到 DeepStream SDK 中，实现多路视频流的实时分析；此外还附带了 YOLOv4 的独立推理样例。实测数据显示，在 Jetson AGX Orin 设备上，INT8 模式下的多流处理性能显著优于传统 CPU 后处理方案。\n\nyolo_deepstream 非常适合需要在嵌入式设备或服务器上落地实时视觉应用的 AI 开发者、算法工程师及研究人员使用。如果你正致力于优化 YOLO 模型在 NVIDIA 生态中的部署效率，或希望深入理解 TensorRT 量化与 DeepStream  pipeline 的整合细节，这套代码库提供了极具参考价值的完整实践路径。","# Yolo DeepStream\n\n##  Description\n\nThis repo have 4 parts:\n### 1) yolov7_qat\nIn [yolov7_qat](yolov7_qat), We use [TensorRT's pytorch quntization tool](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FTensorRT\u002Ftree\u002Fmain\u002Ftools\u002Fpytorch-quantization) to Finetune training QAT yolov7 from the pre-trained weight. \nFinally we get the same performance of PTQ in TensorRT on Jetson OrinX. And the accuracy(mAP) of the model only dropped a little.\n\n### 2) tensorrt_yolov7\nIn [tensorrt_yolov7](tensorrt_yolov7), We provide a standalone c++ yolov7-app sample here. You can use trtexec to convert FP32 onnx models or QAT-int8 models exported from repo [yolov7_qat](yolov7_qat) to trt-engines. And set the trt-engine as yolov7-app's input. It can do detections on images\u002Fvideos. Or test mAP on COCO dataset.\n\n### 3) deepstream_yolo\nIn [deepstream_yolo](deepstream_yolo), This sample shows how to integrate YOLO models with customized output layer parsing for detected objects with DeepStreamSDK.\n\n### 4) tensorrt_yolov4\nIn [tensorrt_yolov4](tensorrt_yolov4), This sample shows a standalone tensorrt-sample for yolov4.\n\n## Performance\nFor YoloV7 sample:\n\nBelow table shows the end-to-end performance of processing 1080p videos with this sample application.\n- Testing Device : \n\n  1. Jetson AGX Orin 64GB(PowerMode:MAXN + GPU-freq:1.3GHz + CPU:12-core-2.2GHz)\n\n  2. Tesla T4\n\n|Device      |precision      |Number \u003Cbr>of streams | Batch Size | trtexec FPS| deepstream-app FPS\u003Cbr>with cuda-post-process |deepstream-app FPS\u003Cbr> with cpu-post-process|\n|-----------    |-----------    |----------------- | -----------|----------- |-----------|-----------|\n|  Orin-X|  FP16         |  1               |     1      |       126  | 124       |   120     |\n|  Orin-X|  FP16         |  16              |    16      |       162  | 145       |   135     |\n|  Orin-X|  Int8(PTQ\u002FQAT)|  1               |     1      |       180  | 175       |   128      |\n|  Orin-X|  Int8(PTQ\u002FQAT)|  16              |    16      |       264  | 264       |   135      |\n|  T4    |  FP16         |  1               |     1      |      132   |    125    |  123      |\n|  T4    |  FP16         |  16              |    16      |      169   |   169     |   123     |\n|  T4    |  Int8(PTQ\u002FQAT)|  1               |     1      |     208    |   170     |    127    |\n|  T4    |  Int8(PTQ\u002FQAT)|  16              |    16      |     305    |  300      |   132      |\n\n\n- note: trtexec cudaGraph not enabled as deepstream not support cudaGraph\n\n## Code structure\n```bash\n├── deepstream_yolo\n│   ├── config_infer_primary_yoloV4.txt # config file for yolov4 model\n│   ├── config_infer_primary_yoloV7.txt # config file for yolov7 model\n│   ├── deepstream_app_config_yolo.txt # deepStream reference app configuration file for using YOLOv models as the primary detector.\n│   ├── labels.txt # labels for coco detection # output layer parsing function for detected objects for the Yolo model.\n│   ├── nvdsinfer_custom_impl_Yolo \n│   │   ├── Makefile\n│   │   └── nvdsparsebbox_Yolo.cpp \n│   └── README.md \n├── README.md\n├── tensorrt_yolov4\n│   ├── data \n│   │   ├── demo.jpg # the demo image\n│   │   └── demo_out.jpg # image detection output of the demo image\n│   ├── Makefile\n│   ├── Makefile.config\n│   ├── README.md\n│   └── source\n│       ├── generate_coco_image_list.py # python script to get list of image names from MS COCO annotation or information file\n│       ├── main.cpp # program main entrance where parameters are configured here\n│       ├── Makefile\n│       ├── onnx_add_nms_plugin.py # python script to add BatchedNMSPlugin node into ONNX model\n│       ├── SampleYolo.cpp # yolov4 inference class functions definition file\n│       └── SampleYolo.hpp # yolov4 inference class definition file\n├── tensorrt_yolov7\n│   ├── CMakeLists.txt\n│   ├── imgs # the demo images\n│   │   ├── horses.jpg \n│   │   └── zidane.jpg\n│   ├── README.md\n│   ├── samples \n│   │   ├── detect.cpp # detection app for images detection\n│   │   ├── validate_coco.cpp # validate coco dataset app\n│   │   └── video_detect.cpp # detection app for video detection\n│   ├── src\n│   │   ├── argsParser.cpp # argsParser helper class for commandline parsing\n│   │   ├── argsParser.h # argsParser helper class for commandline parsing\n│   │   ├── tools.h # helper function for yolov7 class\n│   │   ├── Yolov7.cpp # Class Yolov7\n│   │   └── Yolov7.h # Class Yolov7\n│   └── test_coco_map.py # tool for test coco map with json file\n└── yolov7_qat\n    ├── doc\n    │   ├── Guidance_of_QAT_performance_optimization.md # guidance for Q&DQ insert and placement for pytorch-quantization tool\n    ├── quantization\n    │   ├── quantize.py # helper class for quantize yolov7 model\n    │   └── rules.py # rules for Q&DQ nodes insert and restrictions\n    ├── README.md \n    └── scripts\n        ├── detect-trt.py # detect a image with tensorrt engine\n        ├── draw-engine.py # draw tensorrt engine to graph\n        ├── eval-trt.py # the script for evalating tensorrt mAP\n        ├── eval-trt.sh # the command lne script for evaluating tensorrt mAP\n        ├── qat.py # main function for QAT and PTQ\n        └── trt-int8.py # tensorrt build-in calibration\n```\n","# Yolo DeepStream\n\n## 说明\n\n本仓库包含四个部分：\n### 1) yolov7_qat\n在[yolov7_qat](yolov7_qat)中，我们使用[TensorRT的PyTorch量化工具](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FTensorRT\u002Ftree\u002Fmain\u002Ftools\u002Fpytorch-quantization)，基于预训练权重对YOLOv7进行QAT微调训练。最终，在Jetson OrinX上，我们实现了与PTQ相当的TensorRT性能，且模型的精度（mAP）仅略有下降。\n\n### 2) tensorrt_yolov7\n在[tensorrt_yolov7](tensorrt_yolov7)中，我们提供了一个独立的C++ YOLOv7应用程序示例。您可以使用trtexec将从[yolov7_qat](yolov7_qat)仓库导出的FP32 ONNX模型或QAT-int8模型转换为TensorRT引擎，并将其作为YOLOv7应用的输入。该应用可以对图像和视频进行目标检测，也可以在COCO数据集上测试mAP。\n\n### 3) deepstream_yolo\n在[deepstream_yolo](deepstream_yolo)中，此示例展示了如何将带有自定义输出层解析功能的YOLO模型集成到DeepStreamSDK中，以实现对检测目标的解析。\n\n### 4) tensorrt_yolov4\n在[tensorrt_yolov4](tensorrt_yolov4)中，此示例展示了一个用于YOLOv4的独立TensorRT示例程序。\n\n## 性能\n针对YOLOv7示例：\n\n下表展示了使用此示例应用程序处理1080p视频的端到端性能。\n- 测试设备：\n  1. Jetson AGX Orin 64GB（电源模式：MAXN + GPU频率：1.3GHz + CPU：12核，2.2GHz）\n  2. Tesla T4\n\n| 设备      | 精度      | 流数量 | 批量大小 | trtexec FPS | DeepStream应用FPS（CUDA后处理） | DeepStream应用FPS（CPU后处理） |\n|-----------|-----------|--------|----------|------------|----------------------------------|-------------------------------|\n| Orin-X    | FP16      | 1      | 1        | 126        | 124                              | 120                           |\n| Orin-X    | FP16      | 16     | 16       | 162        | 145                              | 135                           |\n| Orin-X    | Int8 (PTQ\u002FQAT) | 1      | 1        | 180        | 175                              | 128                           |\n| Orin-X    | Int8 (PTQ\u002FQAT) | 16     | 16       | 264        | 264                              | 135                           |\n| T4        | FP16      | 1      | 1        | 132        | 125                              | 123                           |\n| T4        | FP16      | 16     | 16       | 169        | 169                              | 123                           |\n| T4        | Int8 (PTQ\u002FQAT) | 1      | 1        | 208        | 170                              | 127                           |\n| T4        | Int8 (PTQ\u002FQAT) | 16     | 16       | 305        | 300                              | 132                           |\n\n- 注意：trtexec未启用cudaGraph，因为DeepStream不支持cudaGraph。\n\n## 代码结构\n```bash\n├── deepstream_yolo\n│   ├── config_infer_primary_yoloV4.txt # YOLOv4模型的配置文件\n│   ├── config_infer_primary_yoloV7.txt # YOLOv7模型的配置文件\n│   ├── deepstream_app_config_yolo.txt # DeepStream参考应用配置文件，用于将YOLO模型用作主检测器\n│   ├── labels.txt # COCO检测标签 # YOLO模型检测目标的输出层解析函数\n│   ├── nvdsinfer_custom_impl_Yolo \n│   │   ├── Makefile\n│   │   └── nvdsparsebbox_Yolo.cpp \n│   └── README.md \n├── README.md\n├── tensorrt_yolov4\n│   ├── data \n│   │   ├── demo.jpg # 示例图像\n│   │   └── demo_out.jpg # 示例图像的检测结果\n│   ├── Makefile\n│   ├── Makefile.config\n│   ├── README.md\n│   └── source\n│       ├── generate_coco_image_list.py # Python脚本，用于从MS COCO标注或信息文件中获取图像名称列表\n│       ├── main.cpp # 程序主入口，此处配置参数\n│       ├── Makefile\n│       ├── onnx_add_nms_plugin.py # Python脚本，用于在ONNX模型中添加BatchedNMSPlugin节点\n│       ├── SampleYolo.cpp # YOLOv4推理类函数定义文件\n│       └── SampleYolo.hpp # YOLOv4推理类定义文件\n├── tensorrt_yolov7\n│   ├── CMakeLists.txt\n│   ├── imgs # 示例图像\n│   │   ├── horses.jpg \n│   │   └── zidane.jpg\n│   ├── README.md\n│   ├── samples \n│   │   ├── detect.cpp # 图像检测应用\n│   │   ├── validate_coco.cpp # COCO数据集验证应用\n│   │   └── video_detect.cpp # 视频检测应用\n│   ├── src\n│   │   ├── argsParser.cpp # 命令行解析辅助类\n│   │   ├── argsParser.h # 命令行解析辅助类\n│   │   ├── tools.h # YOLOv7类的辅助函数\n│   │   ├── Yolov7.cpp # YOLOv7类\n│   │   └── Yolov7.h # YOLOv7类\n│   └── test_coco_map.py # 用于通过JSON文件测试COCO mAP的工具\n└── yolov7_qat\n    ├── doc\n    │   ├── Guidance_of_QAT_performance_optimization.md # PyTorch量化工具中Q&DQ插入与放置的指导文档\n    ├── quantization\n    │   ├── quantize.py # 用于量化YOLOv7模型的辅助类\n    │   └── rules.py # Q&DQ节点插入规则及限制条件\n    ├── README.md \n    └── scripts\n        ├── detect-trt.py # 使用TensorRT引擎检测图像\n        ├── draw-engine.py # 将TensorRT引擎绘制为图\n        ├── eval-trt.py # 评估TensorRT mAP的脚本\n        ├── eval-trt.sh # 评估TensorRT mAP的命令行脚本\n        ├── qat.py # QAT和PTQ的主要功能\n        └── trt-int8.py # TensorRT内置校准\n```","# Yolo DeepStream 快速上手指南\n\n本指南帮助开发者在 NVIDIA Jetson Orin 或 Tesla T4 等设备上，快速部署基于 TensorRT 和 DeepStream SDK 的 YOLOv7\u002Fv4 目标检测应用。\n\n## 1. 环境准备\n\n### 系统要求\n- **硬件平台**：NVIDIA Jetson AGX Orin \u002F Orin NX \u002F Nano 或搭载 Tesla T4 的服务器。\n- **操作系统**：Ubuntu 18.04\u002F20.04 (JetPack 5.x 推荐用于 Orin 系列)。\n- **核心软件**：\n  - NVIDIA CUDA Toolkit\n  - cuDNN\n  - TensorRT (建议版本 8.4+)\n  - DeepStream SDK (建议版本 6.0+)\n  - PyTorch (用于 QAT 量化训练部分)\n\n### 前置依赖安装\n确保已安装基础开发工具及 Python 依赖。国内用户推荐使用清华或阿里镜像源加速。\n\n```bash\n# 更新包管理器并安装基础依赖\nsudo apt-get update\nsudo apt-get install -y git cmake build-essential libgtk-3-dev libavcodec-dev libavformat-dev libswscale-dev\n\n# 安装 Python 依赖 (建议使用虚拟环境)\npip3 install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy opencv-python pycuda onnx graphviz\n```\n\n> **注意**：请确保 `deepstream-app` 和 `trtexec` 命令可在终端直接运行，以验证 DeepStream 和 TensorRT 环境配置正确。\n\n## 2. 安装步骤\n\n### 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmarcoslucianops\u002Fyolo_deepstream.git\ncd yolo_deepstream\n```\n\n### 编译 C++ 推理示例 (TensorRT YOLOv7)\n进入 `tensorrt_yolov7` 目录并构建项目：\n\n```bash\ncd tensorrt_yolov7\nmkdir build && cd build\ncmake ..\nmake -j$(nproc)\n```\n\n### 编译 DeepStream 插件 (DeepStream YOLO)\n若需使用 DeepStream 进行多路视频流分析，需编译自定义解析插件：\n\n```bash\ncd ..\u002Fdeepstream_yolo\u002Fnvdsinfer_custom_impl_Yolo\nmake clean && make -j$(nproc)\n# 编译完成后，生成的 .so 文件将自动被 deepstream-app 调用\n```\n\n### (可选) 准备模型\n本项目支持直接使用导出的 ONNX 模型转换为 TensorRT 引擎。\n- **FP16\u002FINT8 模型转换**：使用 `trtexec` 工具。\n  ```bash\n  # 示例：将 ONNX 模型转换为 FP16 Engine\n  trtexec --onnx=yolov7.onnx --saveEngine=yolov7_fp16.engine --fp16\n  \n  # 示例：使用 QAT 导出的 INT8 模型 (需校准表或直接加载 QAT 权重)\n  trtexec --onnx=yolov7_qat.onnx --saveEngine=yolov7_int8.engine --int8\n  ```\n- **QAT 训练**：如需从头进行量化感知训练，请参考 `yolov7_qat` 目录下的 `README.md` 及 `scripts\u002Fqat.py`。\n\n## 3. 基本使用\n\n### 场景一：单张图片\u002F视频检测 (C++  standalone)\n使用编译好的 `tensorrt_yolov7` 示例对本地图片或视频进行推理。\n\n```bash\n# 返回到 build 目录\ncd ..\u002F..\u002Ftensorrt_yolov7\u002Fbuild\n\n# 检测单张图片\n.\u002Fdetect --engine ..\u002Fyolov7_fp16.engine --input ..\u002Fimgs\u002Fhorses.jpg --output output_horses.jpg\n\n# 检测视频文件\n.\u002Fvideo_detect --engine ..\u002Fyolov7_fp16.engine --input ..\u002Fvideos\u002Ftest.mp4 --output output_video.mp4\n```\n\n### 场景二：多路视频流分析 (DeepStream SDK)\n使用 DeepStream 进行高性能多流处理。需修改配置文件指向你的 TensorRT 引擎。\n\n1. **修改配置文件**：\n   编辑 `deepstream_yolo\u002Fconfig_infer_primary_yoloV7.txt`，确保 `model-file` 指向你的 `.engine` 文件，`network-mode` 设置为对应的精度 (0:FP32, 1:INT8, 2:FP16)。\n   \n   ```ini\n   # config_infer_primary_yoloV7.txt 片段\n   model-file=..\u002Fyolov7_fp16.engine\n   network-mode=2\n   num-detected-classes=80\n   custom-lib-path=..\u002Fnvdsinfer_custom_impl_Yolo\u002Flibnvdsinfer_custom_impl_Yolo.so\n   parsing-config-file=..\u002Fnvdsinfer_custom_impl_Yolo\u002Fconfig_yoloV7.txt\n   ```\n\n2. **运行 DeepStream 应用**：\n   编辑 `deepstream_app_config_yolo.txt` 添加输入源（摄像头、RTSP 流或本地视频），然后运行：\n\n   ```bash\n   cd ..\u002Fdeepstream_yolo\n   deepstream-app -c deepstream_app_config_yolo.txt\n   ```\n\n   > **提示**：输出窗口将显示实时检测画面。若在无显示器环境（如服务器），可配置 `sink-type` 为 `fakesink` 或通过 RTSP\u002FHLS 推流查看。\n\n### 性能验证\n在 Jetson Orin X 上，使用 FP16 精度单流 1080p 视频测试，预期 FPS 约为 120+；开启 16 路并发流时，得益于 TensorRT 优化，吞吐量可显著提升。使用 INT8 (QAT\u002FPTQ) 模式可进一步获得约 1.5 倍的推理速度提升。","某智慧交通团队需要在 Jetson Orin 边缘设备上部署多路高清摄像头，以实时检测车辆违章行为并统计车流量。\n\n### 没有 yolo_deepstream 时\n- **推理速度瓶颈**：直接使用原始 PyTorch 模型或未优化的 TensorRT 引擎，在處理 1080p 视频流时帧率仅能维持在 30 FPS 左右，无法满足多路并发需求。\n- **精度与速度难兼得**：尝试手动进行 INT8 量化时，缺乏 QAT（量化感知训练）支持，导致模型精度（mAP）大幅下降，漏检率过高。\n- **集成开发复杂**：DeepStream SDK 默认不支持 YOLO 系列的自定义输出层解析，开发人员需耗费大量时间编写和调试 C++ 插件代码。\n- **资源利用率低**：后处理逻辑若运行在 CPU 上，会严重拖累整体吞吐量，导致 GPU 闲置而 CPU 满载，系统延迟不可控。\n\n### 使用 yolo_deepstream 后\n- **性能显著提升**：利用工具提供的 QAT 训练脚本和 TensorRT 部署方案，在 Orin 设备上单路 INT8 推理帧率飙升至 175 FPS，16 路并发也能稳定在 264 FPS。\n- **精度几乎无损**：通过集成的 TensorRT PyTorch 量化工具进行微调，INT8 模型的检测精度仅微幅下降，完美平衡了边缘端的算力限制与识别准确率。\n- **开箱即用集成**：直接复用项目中预置的 `nvdsparsebbox_Yolo` 解析插件和配置文件，无需从零开发，半天内即可完成从模型导出到 DeepStream 流水线的搭建。\n- **全链路 GPU 加速**：配置 CUDA 后处理流程，消除了 CPU 数据拷贝瓶颈，确保视频流从解码、推理到结果输出的全链路高效流转。\n\nyolo_deepstream 通过“量化训练 + 高性能部署”的一站式解决方案，让边缘端实时视频分析实现了高帧率、高精度与低开发成本的统一。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_yolo_deepstream_04455d31.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",[84,88,92,96,100,104],{"name":85,"color":86,"percentage":87},"Python","#3572A5",48.1,{"name":89,"color":90,"percentage":91},"C++","#f34b7d",44.3,{"name":93,"color":94,"percentage":95},"Makefile","#427819",3.3,{"name":97,"color":98,"percentage":99},"Cuda","#3A4E3A",2.6,{"name":101,"color":102,"percentage":103},"CMake","#DA3434",1.5,{"name":105,"color":106,"percentage":107},"Shell","#89e051",0.3,592,144,"2026-03-20T11:44:36","Apache-2.0",4,"Linux","必需 NVIDIA GPU。测试设备包括 Jetson AGX Orin (64GB) 和 Tesla T4。需支持 TensorRT 和 DeepStream SDK，建议使用 CUDA 架构兼容的设备。","未说明 (测试设备 Jetson AGX Orin 为 64GB)",{"notes":117,"python":118,"dependencies":119},"该项目主要面向 NVIDIA 嵌入式平台 (Jetson Orin) 和数据中心 GPU (Tesla T4)。包含四个部分：YOLOv7 量化感知训练 (QAT)、独立 TensorRT YOLOv7\u002Fv4 C++ 示例、以及 DeepStream YOLO 集成示例。使用 trtexec 将 ONNX 模型转换为 TensorRT 引擎。DeepStream 部分需要自定义输出层解析插件 (nvdsinfer_custom_impl_Yolo)。注意：trtexec 的 cudaGraph 功能在此样本中未启用，因为 DeepStream 尚不支持。","未说明 (需支持 PyTorch 量化工具及 DeepStream Python 绑定)",[120,121,122,123,124,125],"NVIDIA TensorRT","NVIDIA DeepStream SDK","PyTorch","NVIDIA pytorch-quantization tool","ONNX","CUDA",[14,13],[128,129,130,131,132],"object-detection","qat","yolov4","yolov7","pytorch-quantization","2026-03-27T02:49:30.150509","2026-04-06T05:32:18.824050",[136,141,146,151,156,161,166,171,176],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},9473,"如何配置 DeepStream 以检测多个 RTSP 流？","您可以在 deepstream_app_config_yolo.txt 配置文件中修改参数。为每个流添加一个 [source] 部分，设置 type=4 (URI)，并指定对应的 rtsp 地址。示例配置如下：\n[source0]\nenable=1\ntype=4\nuri=rtsp:\u002F\u002F...\nnum-sources=1\n\n[source1]\nenable=1\ntype=4\nuri=rtsp:\u002F\u002F...\nnum-sources=1\n确保每个源都正确启用并指向不同的 RTSP URL。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F29",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},9474,"如何在具有残差结构的网络快捷分支中自动插入量化\u002F反量化（QDQ）节点？","目前该功能尚未完全自动化。维护者表示如果有机会将致力于开发此功能。对于 PTQ（训练后量化）模式，TensorRT 8.x 和 9.x 版本性能最佳。如果您使用 torch.fx 尝试替换操作符，可能需要自定义包含 residual_quantizer 的 nn.module 来手动处理快捷分支的量化逻辑。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F38",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},9475,"如何使用 DeepStream 部署 YOLOv7 实例分割模型？","您可以参考 deepstream_tao_apps 仓库，其中提供了实例分割的示例（如 peopleSegNet）。虽然本项目主要关注目标检测，但通过参考 TAO 工具包的应用示例，可以了解如何解析实例分割模型的输出层并进行部署。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F34",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},9476,"为什么 YOLOv7-Tiny 模型量化后的吞吐量反而比量化前低？","这通常是因为基准测试对比的对象不一致。用户发现之前是将量化模型与默认的 trtexec INT8 模式对比，导致误解。正确的做法是将量化后的模型（INT8）与未量化的 FP16 模型进行对比。如果配置正确（如使用 --int8 --fp16 标志），量化模型应能提供更高的吞吐量或相当的精度下更快的速度。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F43",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},9477,"批量推理（Batch Inference）时的 FPS 是如何计算的？","FPS 代表每秒帧数。如果报告显示 Batch 16 情况下的 FPS 为 168，这意味着每秒处理 168 张图像。因此，处理单张图像耗时 1\u002F168 秒，而处理整个批次（16 张图像）的总耗时为 16\u002F168 秒。不要误以为 168 是每秒处理的批次数量。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F40",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},9478,"运行 detect 程序时遇到 'Error Code 3: API Usage Error' 和段错误怎么办？","这通常是由于命令行参数格式错误引起的。检查您的 engine 文件路径参数，确保使用单个等号 '=' 而不是双等号 '=='。\n错误写法：--engine==..\u002F..\u002Fdata\u002Fmodels\u002Fyolov7fp32.engine\n正确写法：--engine=..\u002F..\u002Fdata\u002Fmodels\u002Fyolov7fp32.engine\n修正该参数后重新运行即可解决。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F37",{"id":167,"question_zh":168,"answer_zh":169,"source_url":170},9479,"draw-engine.py 报错 'No module named trex'，如何安装 trex？","'trex' (TRT Engine Explorer) 不是一个可以通过 pip 直接安装的独立包，它是 TensorRT 源代码库中的一个实验性工具。您需要从 GitHub 克隆 TensorRT 仓库来获取它：\ngit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FTensorRT\u002Ftree\u002Fmain\u002Ftools\u002Fexperimental\u002Ftrt-engine-explorer\n将其代码放置在适当位置后即可导入使用。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F35",{"id":172,"question_zh":173,"answer_zh":174,"source_url":175},9480,"导出 ONNX 时遇到 'RuntimeError: Zero-point must be Long, found Int' 错误如何解决？","这是 pytorch-quantization 库的一个已知问题。您需要修改 tensor_quantizer.py 文件第 293 行附近的代码。\n将：\ntorch.zeros_like(scale, dtype=torch.int32)\n修改为：\ntorch.zeros_like(scale, dtype=torch.long)\n这样可以满足 Zero-point 必须为 Long 类型的要求。建议升级到最新版本的 pytorch-quantization 以获取修复。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F31",{"id":177,"question_zh":178,"answer_zh":179,"source_url":180},9481,"在自定义 YOLOv4 模型推理时遇到 'Assertion boxes.inferDims.numDims == 3 failed' 错误怎么办？","该错误通常由边界框解析器不匹配引起。解决方法是使用 DeepStream 自带的自定义边界框解析器。请位于 \u002Fopt\u002Fnvidia\u002Fdeepstream\u002Fdeepstream-6.1\u002Fsources\u002Flibs\u002Fnvdsinfer_customparser\u002F 目录下，编译并使用 \"NvDsInferParseCustomBatchedNMSTLT\" 函数来替代默认的解析逻辑，以适配您的模型输出维度。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fyolo_deepstream\u002Fissues\u002F25",[]]