[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Paperspace--DataAugmentationForObjectDetection":3,"tool-Paperspace--DataAugmentationForObjectDetection":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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":77,"env_gpu":77,"env_ram":77,"env_deps":97,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":123},3886,"Paperspace\u002FDataAugmentationForObjectDetection","DataAugmentationForObjectDetection","Data Augmentation For Object Detection","DataAugmentationForObjectDetection 是一款专为物体检测任务设计的开源数据增强工具库。在深度学习训练中，标注数据的稀缺往往导致模型泛化能力不足，而直接对图像进行常规增强（如旋转、裁剪）极易造成标注框与目标物体错位。该工具的核心价值在于同步处理图像与其对应的边界框坐标，确保在经过变换后，标注信息依然精准匹配。\n\n它支持多种主流增强策略，包括水平翻转、缩放、平移、旋转、剪切以及调整尺寸等。通过集成 OpenCV、Numpy 和 Matplotlib 等成熟依赖，开发者可以轻松将这些变换应用到训练流程中，有效扩充数据集规模并提升模型鲁棒性。项目提供了详细的文档和快速上手教程（Jupyter Notebook），方便用户立即体验。\n\n这款工具非常适合从事计算机视觉开发的工程师、算法研究人员以及相关领域的学生使用。如果你正在构建或优化物体检测模型，却受限于训练样本数量或多样性，DataAugmentationForObjectDetection 能帮助你高效解决数据瓶颈问题，让模型在复杂场景下表现更加稳定可靠。","# Data Augmentation For Object Detection\n\nAccompanying code for the [Paperspace tutorial series on adapting data augmentation methods for object detection tasks](https:\u002F\u002Fblog.paperspace.com\u002Fdata-augmentation-for-bounding-boxes\u002F)\n\n## Dependencies\n1. OpenCV 3.x\n2. Numpy\n3. Matplotlib\n\nWe support a variety of data augmentations, like.\n\n### Horizontal Flipping\n![Horizontal Flip](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_5db998d2cf4b.png)\n\n### Scaling\n![Scaling](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_065b7e8d049f.png)\n\n### Translation\n![Translation](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_9c7750dc6cb8.png)\n\n### Rotation\n![Rotation](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_edb206780b21.png)\n\n### Shearing\n![Shearing](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_ce3632449a95.png)\n\n### Resizing\n![Resizing](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_762e2b0f9065.png)\n\n\n## Quick Start\nA quick start tutorial can be found in the file `quick-start.ipynb` in this repo.\n\n## Documentation\nA list of all possible transforms and extensive documentation can be found in by opening `docs\u002Fbuild\u002Fhtml\u002Findex.html` in your browser or at this [link.](https:\u002F\u002Faugmentationlib.paperspace.com\u002F)\n","# 目标检测的数据增强\n\n与 [Paperspace 关于为目标检测任务调整数据增强方法的教程系列](https:\u002F\u002Fblog.paperspace.com\u002Fdata-augmentation-for-bounding-boxes\u002F) 配套的代码。\n\n## 依赖\n1. OpenCV 3.x\n2. Numpy\n3. Matplotlib\n\n我们支持多种数据增强方法，例如：\n\n### 水平翻转\n![水平翻转](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_5db998d2cf4b.png)\n\n### 缩放\n![缩放](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_065b7e8d049f.png)\n\n### 平移\n![平移](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_9c7750dc6cb8.png)\n\n### 旋转\n![旋转](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_edb206780b21.png)\n\n### 倾斜变换\n![倾斜变换](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_ce3632449a95.png)\n\n### 调整大小\n![调整大小](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_readme_762e2b0f9065.png)\n\n\n## 快速入门\n快速入门教程可以在本仓库的 `quick-start.ipynb` 文件中找到。\n\n## 文档\n所有可能的变换列表以及详细的文档可以通过在浏览器中打开 `docs\u002Fbuild\u002Fhtml\u002Findex.html` 查看，或者访问此 [链接。](https:\u002F\u002Faugmentationlib.paperspace.com\u002F)","# DataAugmentationForObjectDetection 快速上手指南\n\n本指南旨在帮助开发者快速配置并使用该工具，为物体检测任务实现多种数据增强方法（如水平翻转、缩放、平移、旋转、剪切和调整大小）。\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**：支持 Linux、macOS 或 Windows。\n*   **Python 版本**：建议 Python 3.6+。\n*   **前置依赖**：\n    *   OpenCV 3.x (`opencv-python`)\n    *   Numpy\n    *   Matplotlib\n\n## 安装步骤\n\n推荐使用 `pip` 进行安装。为了获得更快的下载速度，国内用户建议使用清华或阿里镜像源。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FPaperspace\u002FDataAugmentationForObjectDetection.git\n    cd DataAugmentationForObjectDetection\n    ```\n\n2.  **安装依赖包**\n    \n    *方案 A：使用官方源*\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *(注：如果根目录没有 requirements.txt 文件，请直接运行下方命令安装核心依赖)*\n    ```bash\n    pip install opencv-python==3.* numpy matplotlib\n    ```\n\n    *方案 B：使用国内镜像加速（推荐）*\n    ```bash\n    pip install opencv-python==3.* numpy matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n最简单的方式是运行仓库中提供的 Jupyter Notebook 教程，它将演示如何加载图像和标注文件，并应用各种增强变换。\n\n1.  **启动快速入门教程**\n    \n    确保已安装 Jupyter Notebook，然后在项目目录下运行：\n    ```bash\n    jupyter notebook quick-start.ipynb\n    ```\n\n2.  **代码示例逻辑**\n    \n    在 Notebook 中，您将看到类似以下的核心用法逻辑（具体变量名请以 notebook 内容为准）：\n    \n    *   导入必要的增强类（如 `HorizontalFlip`, `Scale`, `Rotate` 等）。\n    *   读取图像及其对应的边界框（Bounding Boxes）坐标。\n    *   实例化增强对象并应用于图像和坐标。\n    \n    ```python\n    # 伪代码示例，详细请参考 quick-start.ipynb\n    from bbox_utils import HorizontalFlip, Scale\n    \n    # 初始化增强方法\n    hf = HorizontalFlip(p=0.5)\n    \n    # 应用增强 (img: 图像数组, bboxes: 边界框列表)\n    img_augmented, bboxes_augmented = hf(img, bboxes)\n    ```\n\n如需查看完整的变换列表和详细 API 文档，可在浏览器中打开 `docs\u002Fbuild\u002Fhtml\u002Findex.html` 或访问 [在线文档](https:\u002F\u002Faugmentationlib.paperspace.com\u002F)。","某自动驾驶初创团队正在训练一个用于识别道路施工锥桶的目标检测模型，但受限于采集设备昂贵，他们仅拥有 500 张包含不同天气和角度的原始标注图片。\n\n### 没有 DataAugmentationForObjectDetection 时\n- **数据多样性严重不足**：模型仅在有限的拍摄角度和光照下见过锥桶，一旦遇到雨天或倾斜视角的锥桶，识别率急剧下降。\n- **标注框坐标易出错**：开发人员尝试手动编写脚本进行旋转或裁剪增强，却经常忘记同步更新边界框（Bounding Box）坐标，导致图片变了但框还在原位，产生大量错误训练样本。\n- **过拟合现象明显**：由于缺乏足够的变化样本，模型死记硬背了原始图片的特征，在验证集上表现尚可，但在真实路测中频频漏检。\n- **开发效率低下**：每次调整增强策略都需要重新编写复杂的几何变换逻辑并调试坐标对齐问题，耗费了大量工程时间。\n\n### 使用 DataAugmentationForObjectDetection 后\n- **样本丰富度显著提升**：利用工具内置的水平翻转、旋转、剪切和缩放功能，轻松将 500 张图片扩展为 5000+ 高质量训练样本，覆盖了各种极端视角。\n- **坐标变换自动精准同步**：无论对图像进行何种几何变换（如旋转 30 度或随机平移），工具都能自动计算并更新对应的边界框坐标，确保图像与标注完美对齐。\n- **模型泛化能力增强**：经过多样化数据训练的模型，在面对未见过的恶劣天气或奇怪角度时，依然能保持高精度的检测效果，大幅降低漏检率。\n- **迭代速度大幅加快**：团队只需几行代码即可调用成熟的增强流水线，无需重复造轮子，能将更多精力投入到模型架构优化而非数据预处理上。\n\nDataAugmentationForObjectDetection 通过自动化且精准的几何变换与坐标同步机制，以极低成本解决了小样本场景下的数据匮乏难题，显著提升了目标检测模型的鲁棒性与落地效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPaperspace_DataAugmentationForObjectDetection_5db998d2.png","Paperspace","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPaperspace_1becae91.jpg","",null,"support@paperspace.com","hellopaperspace","www.paperspace.com","https:\u002F\u002Fgithub.com\u002FPaperspace",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",98.9,{"name":89,"color":90,"percentage":91},"Python","#3572A5",1.1,1154,316,"2026-04-02T08:37:44","MIT",1,{"notes":98,"python":77,"dependencies":99},"README 未明确指定操作系统、Python 版本及硬件（GPU\u002F内存）需求。该工具主要依赖 OpenCV 3.x 进行图像变换，提供快速开始教程（quick-start.ipynb）和在线文档。",[100,101,102],"OpenCV 3.x","Numpy","Matplotlib",[14,51,13],[105,106,107,108,109,110],"data-augmentation","imagine-augmentation","object-detection","bounding-box","deep-learning","opencv","2026-03-27T02:49:30.150509","2026-04-06T05:19:24.258490",[114,119],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},17786,"为什么旋转（Rotation）和剪切（Shearing）变换在 Python 2 中会产生错误的结果或边界框？","这是因为在 Python 2 中，除法运算会将结果视为整数，而缩放因子需要是浮点数。请修改 `data_aug.py` 文件中的代码，在除法运算前乘以 `1.0` 强制转换为浮点数。\n\n将原来的代码：\n```python\nscale_factor_x = img.shape[1] \u002F w\nscale_factor_y = img.shape[0] \u002F h\n```\n\n修改为：\n```python\nscale_factor_x = 1.0 * img.shape[1] \u002F w\nscale_factor_y = 1.0 * img.shape[0] \u002F h\n```","https:\u002F\u002Fgithub.com\u002FPaperspace\u002FDataAugmentationForObjectDetection\u002Fissues\u002F3",{"id":120,"question_zh":121,"answer_zh":122,"source_url":118},17787,"旋转和剪切操作后，生成的边界框坐标为什么不正确？","这通常是由于图像为了适应原始尺寸而进行了调整大小（resize）导致的，或者是由于 Python 版本导致的整数除法问题（见相关修复方案）。此外，有用户确认示例中的边界框在经过剪切和旋转后本身就是错误的，可能需要检查具体的实现逻辑或等待库的更新修复。",[]]