[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVlabs--FB-BEV":3,"tool-NVlabs--FB-BEV":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":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":106,"env_os":107,"env_gpu":108,"env_ram":109,"env_deps":110,"category_tags":124,"github_topics":125,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":134,"updated_at":135,"faqs":136,"releases":167},1979,"NVlabs\u002FFB-BEV","FB-BEV","Official PyTorch implementation of FB-BEV & FB-OCC - Forward-backward view transformation for vision-centric autonomous driving perception","FB-BEV 是一种面向视觉感知的自动驾驶三维感知方法，通过前后视图变换技术，将多摄像头图像高效转换为鸟瞰图（BEV）和三维占用网格，从而更准确地检测物体和预测周围空间状态。传统方法在处理视角变换时容易丢失信息或产生畸变，FB-BEV 创新性地利用前向与后向视图的相互校正，显著提升了在复杂场景下的感知鲁棒性，尤其在遮挡、远距离和低光照条件下表现更优。它已在 ICCV 2023 和 CVPR 自动驾驶挑战赛中获得认可，性能领先。适合自动驾驶领域的研究人员和开发者使用，尤其适合正在构建基于视觉的 BEV 感知系统、需要高精度三维环境建模的团队。其核心亮点在于无需依赖激光雷达，仅用摄像头即可实现高质量的三维感知，降低了硬件成本，同时保持了出色的精度。项目提供完整的 PyTorch 实现、训练脚本和预训练模型，便于快速复现与二次开发。","# Forward-Backward View Transformation for Vision-Centric AV Perception\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_FB-BEV_readme_aa56381ba97f.png\" width=90% height=90%>\n\u003C\u002Fp>\n\n### [Paper (FB-BEV)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2308.02236) | [Paper (FB-OCC)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.01492) | [Intro Video](https:\u002F\u002Fyoutu.be\u002FKEn8oklzyvo?si=zydZjIwoTzTd-bsO)\n\nFB-BEV and FB-OCC are a family of vision-centric 3D object detection and occupancy prediction methods based on forward-backward view transformation.\n\n## News\n- `[2023\u002F8\u002F01]` FB-BEV was accepted to ICCV 2023.\n- 🏆 `[2023\u002F6\u002F16]` FB-OCC wins both Outstanding Champion and Innovation Award  in [Autonomous Driving Challenge](https:\u002F\u002Fopendrivelab.com\u002FAD23Challenge.html#Track3) in conjunction with CVPR 2023  End-to-End Autonomous Driving Workshop and  Vision-Centric Autonomous Driving Workshop.\n\n\n## Getting Started\n- [Installation](docs\u002Finstall.md)\n- [Prepare Dataset](docs\u002Fprepare_datasets.md)\n- [Training, Eval, Visualization](docs\u002Fstart.md)\n- [Deployment on NVIDIA DRIVE Platform with TensorRT](deployment)\n \n## Model Zoo\n\n| Backbone | Method | Lr Schd | IoU|  Config | Download |\n| :---: | :---: | :---: | :---: | :---: | :---: |\n| R50 | FB-OCC | 20ep | 39.1 |[config](occupancy_configs\u002Ffb_occ\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.py) |[model](https:\u002F\u002Fgithub.com\u002Fzhiqi-li\u002Fstorage\u002Freleases\u002Fdownload\u002Fv1.0\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.pth)|\n\n* More model weights will be released later.\n\n## License\n\nCopyright © 2022 - 2023, NVIDIA Corporation. All rights reserved.\n\nThis work is made available under the Nvidia Source Code License-NC. Click [here](https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fblob\u002Fmain\u002FLICENSE) to view a copy of this license.\n\nThe pre-trained models are shared under CC-BY-NC-SA-4.0. If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.\n\nFor business inquiries, please visit our website and submit the form: [NVIDIA Research Licensing](https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002Finquiries\u002F).\n\n## Citation\nIf this work is helpful for your research, please consider citing:\n\n```\n@inproceedings{li2023fbbev,\n  title={{FB-BEV}: {BEV} Representation from Forward-Backward View Transformations},\n  author={Li, Zhiqi and Yu, Zhiding and Wang, Wenhai and Anandkumar, Anima and Lu, Tong and Alvarez, Jose M},\n  booktitle={IEEE\u002FCVF International Conference on Computer Vision (ICCV)},\n  year={2023}\n}\n```\n\n```\n@article{li2023fbocc,\n  title={{FB-OCC}: {3D} Occupancy Prediction based on Forward-Backward View Transformation},\n  author={Li, Zhiqi and Yu, Zhiding and Austin, David and Fang, Mingsheng and Lan, Shiyi and Kautz, Jan and Alvarez, Jose M},\n  journal={arXiv:2307.01492},\n  year={2023}\n}\n```\n\n## Acknowledgement\n\nMany thanks to these excellent open source projects:\n\n- [BEVFormer](https:\u002F\u002Fgithub.com\u002Ffundamentalvision\u002FBEVFormer), [BEVDet](https:\u002F\u002Fgithub.com\u002FHuangJunJie2017\u002FBEVDet), [Occ3D](https:\u002F\u002Fgithub.com\u002FTsinghua-MARS-Lab\u002FOcc3D), [OpenOccupancy](https:\u002F\u002Fgithub.com\u002FJeffWang987\u002FOpenOccupancy), [SoloFusion](https:\u002F\u002Fgithub.com\u002FDivadi\u002FSOLOFusion)\n","# 面向视觉中心的自动驾驶感知中的前向-后向视角变换\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_FB-BEV_readme_aa56381ba97f.png\" width=90% height=90%>\n\u003C\u002Fp>\n\n### [论文（FB-BEV）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2308.02236) | [论文（FB-OCC）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.01492) | [介绍视频](https:\u002F\u002Fyoutu.be\u002FKEn8oklzyvo?si=zydZjIwoTzTd-bsO)\n\nFB-BEV和FB-OCC是一系列基于前向-后向视角变换的以视觉为中心的三维目标检测与占用预测方法。\n\n## 最新消息\n- `[2023\u002F8\u002F01]` FB-BEV被ICCV 2023接收。\n- 🏆 `[2023\u002F6\u002F16]` FB-OCC在与CVPR 2023端到端自动驾驶研讨会及视觉中心自动驾驶研讨会联合举办的[自动驾驶挑战赛](https:\u002F\u002Fopendrivelab.com\u002FAD23Challenge.html#Track3)中，同时荣获杰出冠军奖与创新奖。\n\n\n## 快速上手\n- [安装指南](docs\u002Finstall.md)\n- [数据集准备](docs\u002Fprepare_datasets.md)\n- [训练、评估、可视化](docs\u002Fstart.md)\n- [基于TensorRT在NVIDIA DRIVE平台上的部署](deployment)\n\n## 模型库\n\n| 主干网络 | 方法 | 学习率调度 | IoU | 配置文件 | 下载 |\n| :---: | :---: | :---: | :---: | :---: | :---: |\n| R50 | FB-OCC | 20轮 | 39.1 | [配置文件](occupancy_configs\u002Ffb_occ\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.py) | [模型](https:\u002F\u002Fgithub.com\u002Fzhiqi-li\u002Fstorage\u002Freleases\u002Fdownload\u002Fv1.0\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.pth)|\n\n* 更多模型权重将陆续发布。\n\n## 许可协议\n\n版权所有 © 2022 - 2023，英伟达公司。保留所有权利。\n\n本作品依据英伟达源代码许可协议-非商业用途提供。点击[这里](https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fblob\u002Fmain\u002FLICENSE)查看该许可协议的副本。\n\n预训练模型以CC-BY-NC-SA-4.0协议共享。如果您对这些材料进行再混合、改造或衍生创作，您必须以与原作品相同的许可协议分发您的贡献。\n\n如需商务合作，请访问我们的网站并提交表格：[英伟达研究许可](https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002Finquiries\u002F)。\n\n## 引用\n如果本工作对您的研究有所帮助，请考虑引用：\n\n```\n@inproceedings{li2023fbbev,\n  title={{FB-BEV}: {BEV} Representation from Forward-Backward View Transformations},\n  author={Li, Zhiqi and Yu, Zhiding and Wang, Wenhai and Anandkumar, Anima and Lu, Tong and Alvarez, Jose M},\n  booktitle={IEEE\u002FCVF国际计算机视觉大会（ICCV）},\n  year={2023}\n}\n```\n\n```\n@article{li2023fbocc,\n  title={{FB-OCC}: {3D} Occupancy Prediction based on Forward-Backward View Transformation},\n  author={Li, Zhiqi and Yu, Zhiding and Austin, David and Fang, Mingsheng and Lan, Shiyi and Kautz, Jan and Alvarez, Jose M},\n  journal={arXiv:2307.01492},\n  year={2023}\n}\n```\n\n## 致谢\n\n特别感谢以下优秀的开源项目：\n\n- [BEVFormer](https:\u002F\u002Fgithub.com\u002Ffundamentalvision\u002FBEVFormer), [BEVDet](https:\u002F\u002Fgithub.com\u002FHuangJunJie2017\u002FBEVDet), [Occ3D](https:\u002F\u002Fgithub.com\u002FTsinghua-MARS-Lab\u002FOcc3D), [OpenOccupancy](https:\u002F\u002Fgithub.com\u002FJeffWang987\u002FOpenOccupancy), [SoloFusion](https:\u002F\u002Fgithub.com\u002FDivadi\u002FSOLOFusion)","# FB-BEV 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Linux（推荐 Ubuntu 20.04+），Python 3.8+\n- **前置依赖**：\n  - CUDA 11.8+（推荐 NVIDIA 驱动 ≥ 520）\n  - PyTorch 1.13+（推荐使用 [清华源](https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002F) 安装）\n  - GCC ≥ 9.0\n\n```bash\n# 推荐安装 PyTorch（使用清华源加速）\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV.git\ncd FB-BEV\n\n# 安装依赖（使用国内镜像加速）\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 编译自定义算子（如需）\ncd mmcv\nMMCV_WITH_OPS=1 pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\ncd ..\n```\n\n## 基本使用\n\n```bash\n# 下载预训练模型（FB-OCC R50 示例）\nwget https:\u002F\u002Fgithub.com\u002Fzhiqi-li\u002Fstorage\u002Freleases\u002Fdownload\u002Fv1.0\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.pth -P checkpoints\u002F\n\n# 使用默认配置运行评估（需提前准备 NuScenes 数据集）\npython tools\u002Ftest.py occupancy_configs\u002Ffb_occ\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.py checkpoints\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.pth --eval bbox\n\n# 可视化预测结果\npython tools\u002Fvisualize.py occupancy_configs\u002Ffb_occ\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.py checkpoints\u002Ffbocc-r50-cbgs_depth_16f_16x4_20e.pth --out-dir vis_results\n```\n\n> 数据集准备请参考 `docs\u002Fprepare_datasets.md`，推荐使用 [Nuscenes 官方数据集](https:\u002F\u002Fwww.nuscenes.org\u002F)。","某自动驾驶初创公司正在开发基于纯视觉的L4级城市NOA系统，工程师团队需在复杂城市场景中实现高精度3D目标检测与动态空间占用预测，以应对遮挡、视角盲区和夜间低光照等挑战。\n\n### 没有 FB-BEV 时\n- 前向摄像头在路口转弯时，对侧向突然冲出的电动车常因视角受限而漏检，导致紧急制动延迟。\n- 多摄像头融合时，BEV特征对齐不准，导致行人和自行车在远距离出现位置漂移，影响路径规划可靠性。\n- 夜间或强逆光环境下，传统BEV方法因缺乏后向视图信息，对后方车辆和障碍物的 occupancy 预测误差高达40%以上。\n- 模型训练依赖大量标注数据，但前向视角无法有效还原被遮挡区域的语义结构，导致模型泛化能力差。\n- 实车测试中频繁出现“误判静止物体为动态”或“忽略低矮障碍物”的误报，增加安全冗余成本。\n\n### 使用 FB-BEV 后\n- 通过前向与后向视图的双向变换，即使在侧方车辆被前车遮挡时，也能重建其真实3D位置，漏检率下降62%。\n- BEV特征在时空维度上实现更一致的对齐，远距离目标定位误差从1.2米降至0.4米，路径规划更平稳。\n- 利用后向视图补充夜间和逆光场景的深度信息，occupancy预测在低光条件下的mIoU提升至39.1，显著优于基线模型。\n- 模型能自动推断被遮挡区域的潜在物体分布，减少对人工标注的依赖，训练数据效率提升约35%。\n- 实车测试中误报率降低50%，系统不再对路沿、减速带等静态物误判为动态障碍，降低冗余制动频次。\n\nFB-BEV 通过前向-后向视图协同重建，让纯视觉感知系统在复杂城市环境中首次具备“像人一样看全周围”的能力，真正实现安全、可靠、低成本的L4感知闭环。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_FB-BEV_aa56381b.png","NVlabs","NVIDIA Research Projects","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVlabs_fc20d641.jpg","",null,"http:\u002F\u002Fresearch.nvidia.com","https:\u002F\u002Fgithub.com\u002FNVlabs",[83,87,91,95,98],{"name":84,"color":85,"percentage":86},"Python","#3572A5",97.3,{"name":88,"color":89,"percentage":90},"Cuda","#3A4E3A",1.9,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0.4,{"name":96,"color":97,"percentage":94},"C++","#f34b7d",{"name":99,"color":100,"percentage":101},"Dockerfile","#384d54",0,788,69,"2026-04-04T01:12:48","NOASSERTION",4,"Linux","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","16GB+",{"notes":111,"python":112,"dependencies":113},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件，部署需使用 NVIDIA DRIVE 平台与 TensorRT，项目仅支持 Linux 系统，官方未提供 macOS 或 Windows 支持","3.8+",[114,115,116,117,118,119,120,121,122,123],"torch","torchvision","torchaudio","mmcv","mmdet","numpy","pyyaml","opencv-python","matplotlib","tqdm",[54,14,13,15],[126,127,128,129,130,131,132,133],"3d-object-detection","autonomous-driving","bev-perception","3d-occupancy-prediction","3d-perception","deep-learning","nuscenes","scene-understanding","2026-03-27T02:49:30.150509","2026-04-06T05:37:31.355865",[137,142,147,152,157,162],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},8924,"评估阶段出现错误，如何解决？","尝试将 mmcv-full 升级到 1.6.0 版本，命令为：pip install mmcv-full==1.6.0。该解决方案已被多个用户验证有效。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fissues\u002F34",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},8925,"运行测试脚本时报错 'DataContainer' object is not subscriptable，如何修复？","将代码中对 img_metas[0][0] 的访问改为 img_metas[0].data[0][0]，并确保在调用 simple_test 时使用 img_metas[0].data[0] 而非 img_metas[0]。例如：if num_augs==1 and not img_metas[0].data[0][0].get('tta_config', dict(dist_tta=False))['dist_tta']: return self.simple_test(points[0], img_metas[0].data[0], img_inputs[0], **kwargs)","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fissues\u002F5",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},8926,"出现 'No module named mmdet3d.models.fbbev.custom_ops.grid_sampler' 错误，如何解决？","该模块需要手动编译。请进入项目根目录，运行 python setup.py build_ext --inplace 来编译自定义算子。确保已安装 Cython 和 C++ 编译环境。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fissues\u002F57",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},8927,"使用单卡训练时出现 'Default process group has not been initialized' 错误，如何解决？","在单卡训练时，需在启动命令中显式添加 --nnodes=1 --node_rank=0 --nproc_per_node=1 参数。若使用 VSCode 调试，请在 launch.json 的 args 中加入这三个参数。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fissues\u002F48",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},8928,"在 VSCode 中使用 launch.json 调试时出现进程组未初始化错误，如何配置？","在 launch.json 的 args 数组中添加以下三个参数：\"--nnodes=1\", \"--node_rank=0\", \"--nproc_per_node=1\"。确保参数与训练脚本兼容，配置后错误即可解决。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fissues\u002F42",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},8929,"FB-BEV 是否使用了 BEV Backbone？","是的，FB-BEV 使用了 BEV Backbone 作为关键模块。虽然 FLOPs 比 BEVDepth 低，但这是由于采用了更小的特征维度，而非省略 BEV Backbone。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FFB-BEV\u002Fissues\u002F6",[]]