[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ShuangXieIrene--ssds.pytorch":3,"tool-ShuangXieIrene--ssds.pytorch":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161692,"2026-04-20T11:33:57",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":105,"github_topics":106,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":148},10100,"ShuangXieIrene\u002Fssds.pytorch","ssds.pytorch","Repository for Single Shot MultiBox Detector and its variants, implemented with pytorch, python3.","ssds.pytorch 是一个基于 PyTorch 和 Python 3 实现的开源项目，专注于单次多框检测器（SSD）及其多种变体的研究与部署。它旨在降低目标检测模型的学习门槛，帮助用户更直观地理解 SSD 类模型的设计原理，并轻松完成从训练到落地的全流程。\n\n该项目解决了传统目标检测框架配置复杂、可视化能力弱以及部署转换困难等痛点。ssds.pytorch 不仅支持 SSD、FPN、BiFPN、YOLO 等多种检测架构，还兼容 ResNet、RegNet、MobileNet 等主流骨干网络，提供了极高的灵活性。其独特的技术亮点在于丰富的可视化功能，用户可以直接观察锚框（anchor boxes）和特征图分布，从而辅助模型调试与结构优化。此外，通过集成 NVIDIA Apex 和 DALI 加速库，它实现了高效的并行训练，并支持将模型一键导出为 ONNX 或 TensorRT 格式，便于在边缘设备或生产环境中快速部署。\n\nssds.pytorch 非常适合计算机视觉领域的研究人员、算法工程师以及希望深入理解目标检测机制的开发者使用。无论是进行学术实验探索新架构，还是构建工业级检测应","ssds.pytorch 是一个基于 PyTorch 和 Python 3 实现的开源项目，专注于单次多框检测器（SSD）及其多种变体的研究与部署。它旨在降低目标检测模型的学习门槛，帮助用户更直观地理解 SSD 类模型的设计原理，并轻松完成从训练到落地的全流程。\n\n该项目解决了传统目标检测框架配置复杂、可视化能力弱以及部署转换困难等痛点。ssds.pytorch 不仅支持 SSD、FPN、BiFPN、YOLO 等多种检测架构，还兼容 ResNet、RegNet、MobileNet 等主流骨干网络，提供了极高的灵活性。其独特的技术亮点在于丰富的可视化功能，用户可以直接观察锚框（anchor boxes）和特征图分布，从而辅助模型调试与结构优化。此外，通过集成 NVIDIA Apex 和 DALI 加速库，它实现了高效的并行训练，并支持将模型一键导出为 ONNX 或 TensorRT 格式，便于在边缘设备或生产环境中快速部署。\n\nssds.pytorch 非常适合计算机视觉领域的研究人员、算法工程师以及希望深入理解目标检测机制的开发者使用。无论是进行学术实验探索新架构，还是构建工业级检测应用，它都能提供简洁易用的工具链和详尽的技术支持，是学习与实践 SSD 系列模型的理想选择。","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShuangXieIrene_ssds.pytorch_readme_83bc6cedac3a.png\" width=\"400\"\u002F>\n\u003C\u002Fdiv>\n\n# ssds.pytorch\nRepository for Single Shot MultiBox Detector and its variants, implemented with pytorch, python3. This repo is easy to setup and has plenty of visualization methods. We hope this repo can help people have a better understanding for ssd-like model and help people train and deploy the ssds model easily.\n\nCurrently, it contains these features:\n- **Multiple SSD Variants**: ssd, fpn, bifpn, yolo and etc.\n- **Multiple Base Network**: resnet, regnet, mobilenet and etc.\n- **Visualize** the features of the ssd-like models to help the user understand the model design and performance.\n- **Fast Training and Inference**: Utilize Nvidia Apex and Dali to fast training and support the user convert the model to ONNX or TensorRT for deployment.\n\nThis repo is depended on the work of [ODTK](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fretinanet-examples), [Detectron](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FDetectron) and [Tensorflow Object Detection API](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fobject_detection). Thanks for their works.\n\n**Notice** The pretrain model for the current version does not finished yet, please check the [previous version](https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Ftree\u002Fv0.3.1) for enrich pretrain models.\n\n### Table of Contents\n- \u003Ca href='#installation'>Installation\u003C\u002Fa>\n- \u003Ca href='#usage'>Usage\u003C\u002Fa>\n- \u003Ca href='#performance'>Performance and Model Zoo\u003C\u002Fa>\n- \u003Ca href='#visualization'>Visualization\u003C\u002Fa>\n- [Documentation](https:\u002F\u002Fforeveryounggithub.github.io\u002Fssds.doc)\n\n## Installation\n### requirements\n* python>=3.7\n* CUDA>=10.0\n* pytorch>=1.4\n### basic installation:\n```bash\nconda install pytorch torchvision cudatoolkit=10.2 -c pytorch\ngit clone https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch.git\ncd ssds.pytorch\npython setup.py clean -a install\n```\n#### extra python libs for parallel training\nCurrently, nvidia DALI and apex is not include in the requirements.txt and need to install manually.\n\n* [DALI](https:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fsdk\u002Fdali-developer-guide\u002Fdocs\u002Finstallation.html)\n```bash\npip install --extra-index-url https:\u002F\u002Fdeveloper.download.nvidia.com\u002Fcompute\u002Fredist\u002Fcuda\u002F10.0 nvidia-dali\n```\n* [apex](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex#linux)\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex\ncd apex\npip install -v --no-cache-dir --global-option=\"--cpp_ext\" --global-option=\"--cuda_ext\" .\u002F\n```\n\n## Docker\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch.git\ndocker build -t ssds:local .\u002Fssds.pytorch\u002F\ndocker run --gpus all -it --rm -v \u002Fdata:\u002Fdata ssds:local\n```\n\n## Usage\n### 0. Check the config file by Visualization\nDefined the network in a [config file](experiments\u002Fcfgs\u002Ftests\u002Ftest.yml) and tweak the config file based on the visualized anchor boxes\n```bash\npython -m ssds.utils.visualize -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n### 1. Training\n```bash\n# basic training\npython -m ssds.utils.train -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n# parallel training\npython -m torch.distributed.launch --nproc_per_node={num_gpus} -m ssds.utils.train_ddp -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n### 2. Evaluation\n```bash\npython -m ssds.utils.train -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml -e\n```\n\n### 3. Export to ONNX or TRT model\n```bash\npython -m ssds.utils.export -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml -c best_mAP.pth -h\n```\n\n## Performance\n\n\n## Visualization","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShuangXieIrene_ssds.pytorch_readme_83bc6cedac3a.png\" width=\"400\"\u002F>\n\u003C\u002Fdiv>\n\n# ssds.pytorch\n这是一个基于 PyTorch 和 Python 3 实现的单发多框检测器及其变体的仓库。该仓库安装简单，并提供了丰富的可视化方法。我们希望这个仓库能够帮助大家更好地理解 SSD 类模型，并轻松地训练和部署这些模型。\n\n目前，该仓库包含以下功能：\n- **多种 SSD 变体**：SSD、FPN、BiFPN、YOLO 等。\n- **多种基础网络**：ResNet、RegNet、MobileNet 等。\n- **可视化**SSD 类模型的特征，帮助用户理解模型的设计与性能。\n- **快速训练与推理**：利用 NVIDIA Apex 和 DALI 加速训练，并支持将模型转换为 ONNX 或 TensorRT 格式以便部署。\n\n本仓库依赖于 [ODTK](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fretinanet-examples)、[Detectron](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FDetectron) 和 [TensorFlow 对象检测 API](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fobject_detection) 的工作成果。感谢他们的贡献。\n\n**注意** 当前版本的预训练模型尚未完成，请查看 [上一版本](https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Ftree\u002Fv0.3.1) 以获取更丰富的预训练模型。\n\n### 目录\n- \u003Ca href='#installation'>安装\u003C\u002Fa>\n- \u003Ca href='#usage'>使用\u003C\u002Fa>\n- \u003Ca href='#performance'>性能与模型库\u003C\u002Fa>\n- \u003Ca href='#visualization'>可视化\u003C\u002Fa>\n- [文档](https:\u002F\u002Fforeveryounggithub.github.io\u002Fssds.doc)\n\n## 安装\n### 需求\n* Python >= 3.7\n* CUDA >= 10.0\n* PyTorch >= 1.4\n### 基本安装：\n```bash\nconda install pytorch torchvision cudatoolkit=10.2 -c pytorch\ngit clone https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch.git\ncd ssds.pytorch\npython setup.py clean -a install\n```\n#### 并行训练所需的额外 Python 库\n目前，NVIDIA DALI 和 Apex 尚未包含在 requirements.txt 中，需要手动安装。\n\n* [DALI](https:\u002F\u002Fdocs.nvidia.com\u002Fdeeplearning\u002Fsdk\u002Fdali-developer-guide\u002Fdocs\u002Finstallation.html)\n```bash\npip install --extra-index-url https:\u002F\u002Fdeveloper.download.nvidia.com\u002Fcompute\u002Fredist\u002Fcuda\u002F10.0 nvidia-dali\n```\n* [apex](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex#linux)\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex\ncd apex\npip install -v --no-cache-dir --global-option=\"--cpp_ext\" --global-option=\"--cuda_ext\" .\u002F\n```\n\n## Docker\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch.git\ndocker build -t ssds:local .\u002Fssds.pytorch\u002F\ndocker run --gpus all -it --rm -v \u002Fdata:\u002Fdata ssds:local\n```\n\n## 使用\n### 0. 通过可视化检查配置文件\n在 [配置文件](experiments\u002Fcfgs\u002Ftests\u002Ftest.yml) 中定义网络，并根据可视化后的锚框调整配置。\n```bash\npython -m ssds.utils.visualize -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n### 1. 训练\n```bash\n# 基础训练\npython -m ssds.utils.train -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n# 并行训练\npython -m torch.distributed.launch --nproc_per_node={num_gpus} -m ssds.utils.train_ddp -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n### 2. 评估\n```bash\npython -m ssds.utils.train -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml -e\n```\n\n### 3. 导出为 ONNX 或 TRT 模型\n```bash\npython -m ssds.utils.export -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml -c best_mAP.pth -h\n```\n\n## 性能\n\n\n## 可视化","# ssds.pytorch 快速上手指南\n\n`ssds.pytorch` 是一个基于 PyTorch 实现的单发多框检测器（SSD）及其变种的开源仓库。它支持多种 SSD 变体（如 FPN, BiFPN, YOLO 等）和骨干网络（ResNet, RegNet, MobileNet 等），并提供丰富的可视化功能以辅助理解模型设计。该工具利用 NVIDIA Apex 和 DALI 加速训练，并支持导出为 ONNX 或 TensorRT 格式以便部署。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐)\n*   **Python**: >= 3.7\n*   **CUDA**: >= 10.0\n*   **PyTorch**: >= 1.4\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡\n\n## 安装步骤\n\n### 1. 基础安装\n\n首先创建 Conda 环境并安装 PyTorch 依赖，然后克隆代码库并进行安装。\n\n```bash\n# 安装 PyTorch 及相关依赖 (根据实际 CUDA 版本调整 cudatoolkit)\nconda install pytorch torchvision cudatoolkit=10.2 -c pytorch\n\n# 克隆项目\ngit clone https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch.git\ncd ssds.pytorch\n\n# 清理并安装项目\npython setup.py clean -a install\n```\n\n### 2. 可选：并行训练加速组件\n\n若需使用多卡并行训练以获得更快的速度，建议手动安装 **NVIDIA DALI** 和 **Apex**。\n\n**安装 DALI:**\n```bash\npip install --extra-index-url https:\u002F\u002Fdeveloper.download.nvidia.com\u002Fcompute\u002Fredist\u002Fcuda\u002F10.0 nvidia-dali\n```\n\n**安装 Apex:**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex\ncd apex\npip install -v --no-cache-dir --global-option=\"--cpp_ext\" --global-option=\"--cuda_ext\" .\u002F\n```\n\n### 3. Docker 方式（替代方案）\n\n如果您偏好使用 Docker，可以直接构建镜像运行：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch.git\ndocker build -t ssds:local .\u002Fssds.pytorch\u002F\ndocker run --gpus all -it --rm -v \u002Fdata:\u002Fdata ssds:local\n```\n\n> **注意**：当前版本的预训练模型尚在完善中。如需使用丰富的预训练模型，请参考 [v0.3.1 版本](https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Ftree\u002Fv0.3.1)。\n\n## 基本使用\n\n以下是最核心的操作流程，涵盖配置检查、训练、评估及模型导出。所有命令均基于配置文件 `experiments\u002Fcfgs\u002Ftests\u002Ftest.yml`，使用前请根据实际需求修改该文件。\n\n### 1. 可视化配置与锚框\n\n在正式训练前，建议先可视化网络结构和锚框（Anchor Boxes），以确认配置是否合理。\n\n```bash\npython -m ssds.utils.visualize -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n### 2. 模型训练\n\n**单卡训练：**\n```bash\npython -m ssds.utils.train -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n**多卡并行训练：**\n将 `{num_gpus}` 替换为您可用的 GPU 数量。\n```bash\npython -m torch.distributed.launch --nproc_per_node={num_gpus} -m ssds.utils.train_ddp -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml\n```\n\n### 3. 模型评估\n\n使用 `-e` 参数对模型进行评估。\n\n```bash\npython -m ssds.utils.train -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml -e\n```\n\n### 4. 模型导出 (ONNX \u002F TensorRT)\n\n将训练好的模型（例如 `best_mAP.pth`）导出为部署格式。\n\n```bash\npython -m ssds.utils.export -cfg experiments\u002Fcfgs\u002Ftests\u002Ftest.yml -c best_mAP.pth -h\n```","某自动驾驶初创团队的算法工程师正在为车载摄像头开发实时障碍物检测系统，需要在有限算力下快速迭代高精度的 SSD 类模型。\n\n### 没有 ssds.pytorch 时\n- **模型选型困难**：面对 SSD、FPN、BiFPN 等多种变体及 ResNet、MobileNet 等主干网络，需手动拼凑代码或重写架构，试错成本极高。\n- **训练效率低下**：缺乏对 NVIDIA Apex 和 DALI 的原生支持，数据加载成为瓶颈，多卡分布式训练配置复杂且加速效果不明显。\n- **黑盒调试痛苦**：无法直观查看锚框（Anchor Boxes）分布与特征图细节，难以判断是模型设计问题还是参数配置不当，调优全靠猜。\n- **部署流程割裂**：从训练好的 PyTorch 模型到端侧部署（ONNX\u002FTensorRT）需要自行编写转换脚本，常因算子不兼容导致推理失败。\n\n### 使用 ssds.pytorch 后\n- **灵活架构组合**：通过修改配置文件即可一键切换 SSD 变体与主干网络，轻松对比不同组合在特定数据集上的性能表现。\n- **极速训练体验**：内置 DALI 数据流水线与 Apex 混合精度训练支持，显著缩短单轮训练时间，并简化了多卡并行启动流程。\n- **可视化辅助设计**：利用可视化工具直接预览锚框覆盖情况与特征响应，精准指导超参数调整，让模型优化过程透明可控。\n- **无缝部署导出**：提供标准化导出接口，直接将训练权重转换为 ONNX 或 TensorRT 引擎，大幅降低从实验室到车规级芯片的落地门槛。\n\nssds.pytorch 通过集成先进的训练加速技术与可视化诊断工具，将 SSD 系列模型的研发周期从数周缩短至数天，真正实现了“配置即训练，训练即部署”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShuangXieIrene_ssds.pytorch_a3ba033d.png","ShuangXieIrene","Irene","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FShuangXieIrene_5a2d1951.jpg",null,"Shopify","https:\u002F\u002Fgithub.com\u002FShuangXieIrene",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.9,{"name":85,"color":86,"percentage":87},"Dockerfile","#384d54",0.1,568,164,"2025-08-12T01:08:02","MIT",4,"Linux","必需 NVIDIA GPU，CUDA >= 10.0（安装示例使用 10.2），支持通过 Apex 和 DALI 加速","未说明",{"notes":97,"python":98,"dependencies":99},"当前版本的预训练模型尚未完成，建议使用 v0.3.1 版本获取丰富的预训练模型。并行训练需手动安装 NVIDIA DALI 和 Apex。提供 Docker 构建方案以简化环境部署。支持将模型导出为 ONNX 或 TensorRT 格式用于部署。",">=3.7",[100,101,102,103,104],"pytorch>=1.4","torchvision","cudatoolkit>=10.0","nvidia-dali","nvidia-apex",[14],[107,108,109,110,111,112,113,114],"ssd","rfb","fssd","pytorch","mobilenet","vgg","yolo","darknet","2026-03-27T02:49:30.150509","2026-04-20T19:41:04.644509",[118,123,128,133,138,143],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},45348,"训练时几乎所有类别的 AP（平均精度）结果都为零且不增长，如何解决？","这通常是因为主分支（master branch）中的初始化权重存在一些问题，导致从头开始训练时 AP 很低。该问题已在开发分支（dev branch）中修复。请尝试切换到 dev 分支的代码进行训练。","https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Fissues\u002F30",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},45349,"使用 demo.py 检测新图像或视频时遇到 'ValueError: not enough values to unpack' 或张量尺寸不匹配错误怎么办？","这是 `ssds.py` 文件中 `predict` 函数里的尺度计算问题。请找到该函数，将代码：\n`scale = torch.Tensor([img.shape[1::-1], img.shape[1::-1]])`\n修改为：\n`scale = torch.Tensor([img.shape[1], img.shape[0], img.shape[1], img.shape[0]])`\n即可解决该报错。","https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Fissues\u002F54",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},45350,"运行时出现 'ImportError: No module named _mask' 错误，如何修复？","这是因为缺少编译好的 COCO API 掩码模块。解决方法如下：\n1. 按照官方指引安装 COCOAPI (https:\u002F\u002Fgithub.com\u002Fcocodataset\u002Fcocoapi)。\n2. 在安装后的 `cocoapi\u002FPythonAPI\u002Fpycocotools` 目录下找到名为 `_mask.cpython-\u003CYOUR_PYTHON_VERSION>m-x86_64-linux-gnu.so` 的文件（版本号需与你当前使用的 Python 版本一致）。\n3. 将该文件复制并粘贴到项目的 `\u002Flib\u002Futils\u002Fpycocotools\u002F` 目录下。\n完成后重新运行即可。","https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Fissues\u002F22",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},45351,"启用 torch.nn.DataParallel 后模型仍然只使用单张 GPU 运行，或者报错，如何处理？","首先请检查你的 batch size 是否能被 GPU 数量整除，如果不能可能会导致并行失效。其次，确保代码替换正确：\n1. 将 `self.model = torch.nn.DataParallel(self.model).module` 替换为:\n   `self.para_model = torch.nn.DataParallel(self.model)`\n   `self.model = self.para_model.module`\n2. 在调用训练函数时，传入包装后的模型 `self.para_model` 而不是原始模型：\n   `self.train_epoch(self.para_model, ...)`\n如果仍有问题，建议检查 PyTorch 版本兼容性或尝试最新的开发分支代码。","https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Fissues\u002F26",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},45352,"在 Jetson Nano 等嵌入式设备上推理时出现 'RuntimeError: cuda runtime error(7): too many resources requested for launch' 错误怎么办？","这是由于资源限制导致的。建议在 Jetson 系列设备（如 TX2, Nano）上将模型转换为 TensorRT 格式后再进行推理，这样可以显著降低资源占用并解决该错误。项目维护者已在 TX2 上验证了转换后的 TensorRT 模型可正常运行。","https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Fissues\u002F77",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},45353,"运行测试脚本时出现 'Segmentation fault (core dumped)' 段错误，如何解决？","这通常与 PyTorch 版本兼容性有关。建议升级到较新的 PyTorch 版本（如 1.5 或更高），并切换使用项目的 dev 分支代码进行测试。旧版本（如 0.4.x）可能存在内存管理问题导致段错误。","https:\u002F\u002Fgithub.com\u002FShuangXieIrene\u002Fssds.pytorch\u002Fissues\u002F50",[]]