[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-PaddlePaddle--models":3,"tool-PaddlePaddle--models":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",157379,2,"2026-04-15T23:32:42",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":103,"forks":104,"last_commit_at":105,"license":106,"difficulty_score":10,"env_os":107,"env_gpu":107,"env_ram":107,"env_deps":108,"category_tags":111,"github_topics":113,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":123,"updated_at":124,"faqs":125,"releases":159},7886,"PaddlePaddle\u002Fmodels","models","Officially maintained, supported by PaddlePaddle, including CV, NLP, Speech, Rec, TS, big models and so on.","models 是飞桨（PaddlePaddle）官方维护的产业级开源模型库，汇聚了计算机视觉、自然语言处理、语音识别、推荐系统及时间序列分析等领域的海量主流模型。它不仅收录了大量经过国际竞赛验证的夺冠算法，更包含了众多在国内能源、金融、工业等实际场景中长期打磨成熟的端到端开发套件。\n\n针对企业和开发者在 AI 落地过程中面临的模型选型难、复现成本高、集成周期长等痛点，models 提供了从语义理解到图像分割等全场景的解决方案，帮助用户以低成本实现快速开发与部署。其核心亮点在于拥有超过 600 个官方模型和数百个生态模型，所有代码均基于动态图技术实现，并与飞桨框架版本严格对齐，确保了极高的稳定性与技术支持力度。此外，库内还细分了面向学术前沿的研究模型和覆盖丰富场景的社区模型，兼顾了创新探索与工程实用。\n\n无论是希望快速构建应用的企业开发工程师，还是致力于追踪最新算法的科研人员，亦或是需要高效集成 AI 能力的技术团队，都能在这里找到适配的工具资源。通过持续更新的技术积累和活跃的社区支持，models 致力于成为连接算法研究与产业实践的桥梁，让 AI 开发变得更加简单高效。","# 欢迎使用飞桨产业级开源模型库\n\n## 简介\n\n飞桨的产业级模型库，包含大量经过产业实践长期打磨的主流模型以及在国际竞赛中的夺冠模型；提供面向语义理解、图像分类、目标检测、图像分割、文字识别、语音合成等场景的多个端到端开发套件，满足企业低成本开发和快速集成的需求。飞桨的模型库是围绕国内企业实际研发流程量身定制打造的产业级模型库，服务企业遍布能源、金融、工业、农业等多个领域。\n\n## 近期更新\n\n**`2022-11-29`**: 更新`release\u002F2.4`分支，飞桨官方模型超过600个，生态模型超过260个（数量持续更新中）.\n\n**`2022-5-17`**: 更新`release\u002F2.3`分支，飞桨官方模型超过500个，生态模型超过170个.\n\n**`2021-11-30`**: 更新`release\u002F2.2`分支，系统的梳理了飞桨官方模型、学术模型和社区模型的清单，其中官方模型超过400个，生态模型超过100个\n\n**`Note`**:`release\u002F2.2`以后分支模型均基于动态图实现，目前`dev-static`分支中仍有一些静态图模型代码，有需要的开发者可以继续切换到`dev-static`分支使用.\n\n## 主要内容\n|  目录 |   说明 |\n| --- | --- |\n| [官方模型(official)](docs\u002Fofficial\u002FREADME.md) |• 面向产业实践，数量超过600个\u003Cbr \u002F>• [飞桨PP系列模型](docs\u002Fofficial\u002FPP-Models.md)，效果与精度最佳平衡\u003Cbr \u002F>• 支持使用动态图开发视觉、自然语言、语音和推荐等领域模型\u003Cbr \u002F>• 飞桨官方实现并提供持续技术支持及答疑\u003Cbr \u002F>• 与飞桨核心框架版本对齐，已经经过充分的测试保证 |\n|[学术模型(research)](docs\u002Fresearch\u002FREADME.md) |• 面向学术前沿，侧重对于问题的持续更新\u003Cbr \u002F>• 主要由飞桨相关的学术生态合作伙伴贡献|\n|[社区模型(community)](docs\u002Fcommunity\u002FREADME.md) | • 面向更多丰富场景，侧重对于学术论文的覆盖\u003Cbr \u002F>• 主要由飞桨生态开发者贡献，持续更新中|\n\n## 欢迎加入飞桨模型库技术交流群\n- 如果你希望了解飞桨模型库最新进展，或者希望与资深开发者一起讨论产业实践关注的重点模型，欢迎扫码加入飞桨模型库交流群：\n- （微信扫码填写简单问卷即可添加小助手，加上好友之后回复\"model\" 即可入群）\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaddlePaddle_models_readme_61a1bd92c941.jpg\"  width = \"200\" height = \"200\" \u002F>\n\u003C\u002Fdiv>\n\n\u003Ca name=\"致谢\">\u003C\u002Fa>\n## 致谢开发者\n感谢所有为飞桨产业级模型库贡献代码的开发者，也期待你的加入。\n\n\n## 许可证书\n此向导由[PaddlePaddle](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle)贡献，受[Apache-2.0 license](LICENSE)许可认证。\n","# 欢迎使用飞桨产业级开源模型库\n\n## 简介\n\n飞桨的产业级模型库，包含大量经过产业实践长期打磨的主流模型以及在国际竞赛中的夺冠模型；提供面向语义理解、图像分类、目标检测、图像分割、文字识别、语音合成等场景的多个端到端开发套件，满足企业低成本开发和快速集成的需求。飞桨的模型库是围绕国内企业实际研发流程量身定制打造的产业级模型库，服务企业遍布能源、金融、工业、农业等多个领域。\n\n## 近期更新\n\n**`2022-11-29`**: 更新`release\u002F2.4`分支，飞桨官方模型超过600个，生态模型超过260个（数量持续更新中）.\n\n**`2022-5-17`**: 更新`release\u002F2.3`分支，飞桨官方模型超过500个，生态模型超过170个.\n\n**`2021-11-30`**: 更新`release\u002F2.2`分支，系统的梳理了飞桨官方模型、学术模型和社区模型的清单，其中官方模型超过400个，生态模型超过100个\n\n**`Note`**:`release\u002F2.2`以后分支模型均基于动态图实现，目前`dev-static`分支中仍有一些静态图模型代码，有需要的开发者可以继续切换到`dev-static`分支使用.\n\n## 主要内容\n|  目录 |   说明 |\n| --- | --- |\n| [官方模型(official)](docs\u002Fofficial\u002FREADME.md) |• 面向产业实践，数量超过600个\u003Cbr \u002F>• [飞桨PP系列模型](docs\u002Fofficial\u002FPP-Models.md)，效果与精度最佳平衡\u003Cbr \u002F>• 支持使用动态图开发视觉、自然语言、语音和推荐等领域模型\u003Cbr \u002F>• 飞桨官方实现并提供持续技术支持及答疑\u003Cbr \u002F>• 与飞桨核心框架版本对齐，已经经过充分的测试保证 |\n|[学术模型(research)](docs\u002Fresearch\u002FREADME.md) |• 面向学术前沿，侧重对于问题的持续更新\u003Cbr \u002F>• 主要由飞桨相关的学术生态合作伙伴贡献|\n|[社区模型(community)](docs\u002Fcommunity\u002FREADME.md) | • 面向更多丰富场景，侧重对于学术论文的覆盖\u003Cbr \u002F>• 主要由飞桨生态开发者贡献，持续更新中|\n\n## 欢迎加入飞桨模型库技术交流群\n- 如果你希望了解飞桨模型库最新进展，或者希望与资深开发者一起讨论产业实践关注的重点模型，欢迎扫码加入飞桨模型库交流群：\n- （微信扫码填写简单问卷即可添加小助手，加上好友之后回复\"model\" 即可入群）\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaddlePaddle_models_readme_61a1bd92c941.jpg\"  width = \"200\" height = \"200\" \u002F>\n\u003C\u002Fdiv>\n\n\u003Ca name=\"致谢\">\u003C\u002Fa>\n## 致谢开发者\n感谢所有为飞桨产业级模型库贡献代码的开发者，也期待你的加入。\n\n\n## 许可证书\n此向导由[PaddlePaddle](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle)贡献，受[Apache-2.0 license](LICENSE)许可认证。","# 飞桨产业级开源模型库 (PaddleClas\u002FPaddleDetection 等) 快速上手指南\n\n本指南基于飞桨（PaddlePaddle）官方模型库 `models`，助您快速体验超过 600 个经过产业验证的主流模型。\n\n## 1. 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**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：>= 3.7 (推荐 3.8+)\n*   **深度学习框架**：已安装 PaddlePaddle (飞桨)\n    *   *注意：`release\u002F2.2` 及以后分支的模型均基于**动态图**实现。如需使用静态图模型，请切换至 `dev-static` 分支。*\n\n### 安装 PaddlePaddle (国内加速源)\n\n推荐使用国内镜像源安装最新稳定版：\n\n```bash\npython -m pip install paddlepaddle -i https:\u002F\u002Fmirror.baidu.com\u002Fpypi\u002Fsimple\n```\n\n> **提示**：如需 GPU 版本，请访问 [PaddlePaddle 官网安装文档](https:\u002F\u002Fwww.paddlepaddle.org.cn\u002Finstall\u002Fquick) 选择对应 CUDA 版本的安装命令。\n\n## 2. 安装步骤\n\n克隆模型库代码并安装基础依赖：\n\n```bash\n# 1. 克隆仓库 (推荐使用国内 Gitee 镜像加速)\ngit clone https:\u002F\u002Fgitee.com\u002Fpaddlepaddle\u002Fmodels.git\ncd models\n\n# 2. 进入具体模型目录 (以官方模型为例)\n# 模型库包含 official(官方), research(学术), community(社区) 三大类\ncd docs\u002Fofficial \n\n# 3. 安装特定任务套件依赖\n# 不同模型依赖略有不同，通常在各模型目录下有 requirements.txt\n# 此处以通用的视觉或 NLP 任务为例，请根据实际选择的模型目录执行：\npip install -r requirements.txt -i https:\u002F\u002Fmirror.baidu.com\u002Fpypi\u002Fsimple\n```\n\n> **说明**：由于模型库包含多个独立套件（如图像分类、目标检测、NLP 等），具体依赖请以您所选模型文件夹内的 `README.md` 或 `requirements.txt` 为准。\n\n## 3. 基本使用\n\n飞桨模型库提供了端到端的开发套件。以下以**图像分类**（PP-Models 系列）为例，展示最简单的预测流程。\n\n### 示例：使用预训练模型进行图像预测\n\n假设您已进入图像分类模型目录（例如 `PaddleClas` 相关结构或直接调用官方脚本）：\n\n```python\nimport paddle\nfrom paddle.vision.models import resnet50 # 示例：加载 ResNet50\nfrom paddle.vision.transforms import Compose, Normalize, Resize\nfrom PIL import Image\n\n# 1. 数据预处理\ntransform = Compose([\n    Resize((224, 224)),\n    Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])\n])\n\n# 2. 加载预训练模型 (自动下载权重)\nmodel = resnet50(pretrained=True)\nmodel.eval()\n\n# 3. 准备输入图片\nimg_path = 'test_image.jpg' # 请替换为您的图片路径\nimg = Image.open(img_path).convert('RGB')\nimg_tensor = transform(img).unsqueeze(0)\n\n# 4. 执行预测\nwith paddle.no_grad():\n    output = model(img_tensor)\n    prediction = paddle.nn.functional.softmax(output, axis=1)\n    \n# 5. 输出结果\nprint(\"预测类别概率:\", prediction.numpy())\n```\n\n### 更多场景\n*   **目标检测\u002F分割**：请参考 `docs\u002Fofficial` 下对应的检测或分割套件文档。\n*   **自然语言处理**：请参考 `docs\u002Fofficial` 下的 NLP 相关模型目录。\n*   **语音合成**：请参考 `docs\u002Fofficial` 下的语音相关模型目录。\n\n您可以访问 [官方模型清单](docs\u002Fofficial\u002FREADME.md) 查找更多针对特定场景的端到端示例代码。","某大型连锁零售企业的数据团队正急需构建一套智能货架监控系统，以自动识别商品缺货和陈列违规情况。\n\n### 没有 models 时\n- **研发周期漫长**：团队需从零复现论文代码或自行搭建基础网络，仅数据预处理和模型调试就耗时数月，难以响应业务紧急需求。\n- **落地效果不稳定**：自研模型缺乏产业场景打磨，在复杂光照和遮挡下的检测精度低，误报率高，无法直接投入生产环境。\n- **技术维护成本高**：缺乏官方持续的技术支持与版本对齐，遇到动态图适配或算子兼容问题时，开发者需耗费大量精力排查底层框架错误。\n- **场景覆盖受限**：仅能专注于目标检测单一任务，难以快速扩展至图像分割（分析陈列面积）或文字识别（核对价签）等多模态需求。\n\n### 使用 models 后\n- **开发效率倍增**：直接调用 models 库中经过验证的 PP-YOLOE 等官方预训练模型，只需少量微调即可适配自有数据集，项目上线周期从数月缩短至两周。\n- **产业级精度保障**：采用库中专为产业实践优化的 PP 系列模型，在真实货架场景下实现了精度与速度的最佳平衡，显著降低误报率。\n- **全流程技术支持**：依托飞桨官方提供的端到端开发套件及持续答疑，团队轻松完成从动态图开发到部署的全流程，无需担忧底层兼容性问题。\n- **多场景快速集成**：利用库内丰富的生态模型，迅速集成了目标检测、图像分割及 OCR 能力，一站式解决了缺货识别、陈列分析及价签核对等多项业务痛点。\n\nmodels 通过提供经过长期产业打磨的 600+ 官方模型与端到端套件，让企业能够以最低成本实现 AI 技术的快速落地与规模化应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaddlePaddle_models_f14944c6.png","PaddlePaddle","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPaddlePaddle_0457ef24.jpg","",null,"http:\u002F\u002Fpaddlepaddle.org","https:\u002F\u002Fgithub.com\u002FPaddlePaddle",[79,83,87,91,95,99],{"name":80,"color":81,"percentage":82},"Python","#3572A5",61.9,{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",35.5,{"name":88,"color":89,"percentage":90},"Shell","#89e051",1.4,{"name":92,"color":93,"percentage":94},"C++","#f34b7d",0.9,{"name":96,"color":97,"percentage":98},"CMake","#DA3434",0.2,{"name":100,"color":101,"percentage":102},"Makefile","#427819",0.1,6944,2870,"2026-04-13T05:27:08","Apache-2.0","未说明",{"notes":109,"python":107,"dependencies":110},"该工具为飞桨（PaddlePaddle）产业级模型库。release\u002F2.2 及以后分支的模型均基于动态图实现；若需使用静态图模型，需切换至 dev-static 分支。具体运行环境需求（如 OS、GPU、Python 版本等）需参考飞桨核心框架文档或各具体模型的说明文件。",[72],[35,14,112,15],"音频",[114,115,116,117,118,119,120,121,122,64],"paddlepaddle","deep-learning","neural-network","computer-vision","natural-language-processing","recommendation","speech","nlp","cv","2026-03-27T02:49:30.150509","2026-04-16T08:11:56.994985",[126,131,136,141,146,151,155],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},35325,"为什么在 GPU 训练时 CPU 占用率依然很高？","这是正常现象。对于 YOLOv3 等一阶段检测器，图像增强（image_augment）要求很高，预处理流程复杂。程序默认启动 8 个 reader 进程来读取数据和进行预处理，以避免因数据读取慢而影响训练速度。如果不希望 CPU 使用率过高，可以指定参数 `--use_multiprocess=False` 来关闭多进程 reader，但官方不建议这样做，因为会降低训练效率。","https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002Fmodels\u002Fissues\u002F2505",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},35326,"使用 PaddleSlim 对 mobilenet_v1_ssd 进行剪枝后，pruned size 和 flops 显示为 0，没有剪枝效果怎么办？","这通常是因为代码中的断言检查导致的。可以尝试去掉代码中的 `assert c_out == c_out_, 'shape error!'` 这一行，这不会影响后续程序的运行。去除该断言后，模型通常可以正确运行并产生剪枝效果。如果在使用 score.py 跑分时出现 shape error，请确认是否使用了正确的评估脚本或检查模型保存逻辑。","https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002Fmodels\u002Fissues\u002F3110",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},35327,"PaddleSlim 进行裁剪 + 量化训练时报错，提示通道数与分组卷积 group 数不匹配，如何解决？","这个问题通常是由于 `pruned_params` 参数设置不当导致的。如果将其设置为 `'conv'`，理论上可能无法匹配到任何具体的参数，导致实际上没有执行裁剪操作。建议不要手动指定为 `'conv'`，而是使用 models 仓库下默认的 `pruned_params` 配置，以确保能正确匹配到需要裁剪的层。同时确认你的训练流程理解正确：先正常训练，再按设定比例裁剪，最后进行量化训练。","https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002Fmodels\u002Fissues\u002F3025",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},35328,"运行 DeepFM demo 时，增大 batch_size 会出现 Segmentation fault (core dumped) 错误，且初始化缓存过大，如何解决？","段错误（Segmentation fault）通常是由各种依赖库的版本兼容性问题引起的，建议在干净的环境中重新安装依赖并测试。关于初始化缓存过大的问题，示例代码中 `buf_size=args.batch_size * 10000` 的设置确实会在 batch_size 较大时导致内存占用极高（如十几 GB）且初始化缓慢。这不是必须的，可以根据实际机器内存情况，将 `buf_size` 固定为一个较小的值（例如 2000），或者调整乘数系数来优化内存使用。","https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002Fmodels\u002Fissues\u002F561",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},35329,"加载已训练好的模型时报错提示缺少 bn 参数或解析失败，是什么原因？","这通常是因为使用的 models 代码版本较老，尚未加入 finetune 功能或与新版本 PaddlePaddle 的模型格式不兼容。解决方法包括：1. 更新到最新的 models 代码版本；2. 如果是对小数据集进行 finetune，确保 `pretrain_weights` 设置为正确的 Paddle release 模型链接；3. 检查 `num_classes` 设置，应等于“类别个数 + 背景类”。","https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002Fmodels\u002Fissues\u002F3584",{"id":152,"question_zh":153,"answer_zh":154,"source_url":150},35330,"使用检测库脚本将数据转为 COCO 格式后，训练结果只有一个类别，或者脚本报错，如何处理？","这是因为原数据格式与转换脚本不匹配。检测库提供的默认脚本通常适用于 labelme 格式，如果原数据是 cityscape 格式，直接转换会导致问题。目前已修复该问题并提供了通用的转换脚本 `x2coco.py`。请使用更新后的脚本进行格式转换，并确保标签映射正确。",{"id":156,"question_zh":157,"answer_zh":158,"source_url":150},35331,"Mask R-CNN 模型训练和推理时的图片 Resize 策略是什么？如果效果不理想如何调整？","在 Mask R-CNN 中，默认训练时会将图片 Resize 到 800x1333 的大小，而在推理（infer）时默认不对图片做 Resize。如果推理效果不够理想，可以通过调整配置文件中的 `sample_transform` 参数来改变推理时的图像处理策略，例如显式添加 Resize 操作以保持一致性。",[160,165,170,175,180,185,190,195],{"id":161,"version":162,"summary_zh":163,"released_at":164},280373,"v2.0.0-beta","飞桨模型库发布2.0.0-beta版本，目标为[PaddlePaddle 2.0.0-rc1](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv2.0.0-rc1)。","2020-12-19T06:29:55",{"id":166,"version":167,"summary_zh":168,"released_at":169},280374,"v1.7.0","飞桨模型库发布1.7.0版本，适配[飞桨1.7.0](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv1.7.0)","2020-03-17T15:27:24",{"id":171,"version":172,"summary_zh":173,"released_at":174},280375,"v1.6","飞桨模型库1.6版本发布，目标版本为[PaddlePaddle 1.6.0](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv1.6.0)","2019-10-31T08:03:17",{"id":176,"version":177,"summary_zh":178,"released_at":179},280376,"v1.5.1","发布飞桨模型版本 1.5.1，目标为 [飞桨 1.5.1](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv1.5.1)","2019-07-29T09:35:37",{"id":181,"version":182,"summary_zh":183,"released_at":184},280377,"v1.5","飞桨模型库发布1.5版本，适配[飞桨1.5.0](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv1.5.0)","2019-07-01T09:54:13",{"id":186,"version":187,"summary_zh":188,"released_at":189},280378,"v1.4","飞桨模型库发布1.4版本，目标版本为[飞桨1.4.1](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv1.4.1)。","2019-04-22T18:03:36",{"id":191,"version":192,"summary_zh":193,"released_at":194},280379,"v1.3","飞桨模型库发布1.3版本，适配[飞桨1.3.2](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddle\u002Freleases\u002Ftag\u002Fv1.3.2)。","2019-03-28T09:50:02",{"id":196,"version":197,"summary_zh":75,"released_at":198},280380,"v0.15.0-rc0","2018-09-13T08:37:25"]