[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SkalskiP--make-sense":3,"tool-SkalskiP--make-sense":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",149489,2,"2026-04-10T11:32:46",[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":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":103,"forks":104,"last_commit_at":105,"license":106,"difficulty_score":32,"env_os":107,"env_gpu":108,"env_ram":109,"env_deps":110,"category_tags":119,"github_topics":120,"view_count":32,"oss_zip_url":133,"oss_zip_packed_at":133,"status":17,"created_at":134,"updated_at":135,"faqs":136,"releases":167},6245,"SkalskiP\u002Fmake-sense","make-sense","Free to use online tool for labelling photos. https:\u002F\u002Fmakesense.ai","make-sense 是一款免费且无需安装的在线图片标注工具，专为计算机视觉项目设计。用户只需打开浏览器访问网站，即可立即开始为照片绘制边界框、多边形等标签，并支持导出多种主流格式的数据集。它有效解决了传统标注软件安装繁琐、跨平台兼容性差以及数据隐私担忧等痛点，让数据集准备过程变得更加轻松高效。\n\n这款工具特别适合人工智能开发者、深度学习研究人员以及需要构建自定义数据集的学生团队使用。无论是小型实验项目还是快速原型验证，make-sense 都能提供流畅的标注体验。其独特的技术亮点在于深度集成了基于 TensorFlow.js 的本地 AI 模型（如 YOLOv5、SSD 和 PoseNet）。这意味着 AI 不仅能自动推荐标注位置以减轻重复劳动，而且所有图像数据处理均在用户本地浏览器中完成，无需上传至服务器，从而在提升效率的同时最大程度保障了数据隐私与安全。","[![Github Stars](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fstars-nominate-brightgreen?logo=github)](https:\u002F\u002Fstars.github.com\u002Fnominate\u002F)\n![GitHub release (latest by date including pre-releases)](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002FSkalskiP\u002Fmake-sense?include_prereleases)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002FSkalskiP\u002Fmake-sense\u002Fbranch\u002Fdevelop\u002Fgraph\u002Fbadge.svg?token=lWsADbAey2)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FSkalskiP\u002Fmake-sense)\n[![Gitter](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgitter.svg)](https:\u002F\u002Fgitter.im\u002Fmake-sense-ai\u002Fcommunity)\n[![Discord](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fdiscord.svg)](https:\u002F\u002Fdiscord.gg\u002FASCjCrNdA7)\n\n\u003Ch1 align=\"center\">makesense.ai\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n    \u003C\u002Fbr>\n    \u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSkalskiP_make-sense_readme_cdc411a5429c.png\" alt=\"make sense logo\">\n    \u003C\u002Fbr>\n\u003C\u002Fp>\n\n[makesense.ai][1] is a free-to-use online tool for labeling photos. Thanks to the use of a browser it does not require any complicated installation - just visit the website and you are ready to go. It also doesn't matter which operating system you're running on - we do our best to be truly cross-platform. It is perfect for small computer vision deep learning projects, making the process of preparing a dataset much easier and faster. Prepared labels can be downloaded in one of the multiple supported formats. The application was written in TypeScript and is based on React\u002FRedux duo.\n\n## 📄 Documentation\n\nYou can find out more about our tool from the newly released [documentation][14] - still under 🚧 construction. Let us know what topics we should cover first.\n\n## 🤖 Advanced AI integrations\n\n[makesense.ai][1] strives to significantly reduce the time you have to spend on photo labeling. We are doing our best to integrate the latest and greatest AI models, that can give you recommendations as well as automate repetitive and tedious activities.\n\n* [YOLOv5][16] is our most powerful integration yet. Thanks to the use of [yolov5js][17] you can load not only pretrained models from [yolov5js-zoo](18), but above all your own models trained thanks to YOLOv5 and [exported](19) to tfjs format.\n* [SSD][8] pretrained on the [COCO dataset][9], which will do some of the work for you in drawing bounding boxes on photos and also (in some cases) suggest a label. \n* [PoseNet][11] is a vision model that can be used to estimate the pose of a person in an image or video by estimating where key body joints are.\n\nThe engine that drives our AI functionalities is [TensorFlow.js][10] - JS version of the most popular framework for training neural networks. This choice allows us not only to speed up your work but also to care about the privacy of your data, because unlike with other commercial and open-source tools, your photos do not have to be transferred to the server. This time AI comes to your device!\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F193255987-2d01c549-48c3-41ae-87e9-e1b378968966.mov\n\n## 💻 Local Setup\n\n```bash\n# clone repository\ngit clone https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense.git\n\n# navigate to main dir\ncd make-sense\n\n# install dependencies\nnpm install\n\n# serve with hot reload at localhost:3000\nnpm start\n```\nTo ensure proper functionality of the application locally, npm `8.x.x` and node.js `v16.x.x` versions are required. More information about this problem is available in the [#16][4].\n\n## 🐳 Docker Setup\n\n```bash\n# Build Docker Image\ndocker build -t make-sense -f docker\u002FDockerfile .\n\n# Run Docker Image as Service\ndocker run -dit -p 3000:3000 --restart=always --name=make-sense make-sense\n\n# Get Docker Container Logs\ndocker logs make-sense\n\n# Access make-sense: http:\u002F\u002Flocalhost:3000\u002F\n```\n\n## ⌨️ Keyboard Shortcuts\n\n| Functionality                      | Context  | Mac | Windows \u002F Linux  |\n|:-----------------------------------|:--------:|:---:|:----------------:|\n| Polygon autocomplete               | Editor   | \u003Ckbd>Enter\u003C\u002Fkbd> | \u003Ckbd>Enter\u003C\u002Fkbd> |\n| Cancel polygon drawing             | Editor   | \u003Ckbd>Escape\u003C\u002Fkbd> | \u003Ckbd>Escape\u003C\u002Fkbd> |\n| Delete currently selected label    | Editor   | \u003Ckbd>Backspace\u003C\u002Fkbd> | \u003Ckbd>Delete\u003C\u002Fkbd> |\n| Load previous image                | Editor   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>Left\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>Left\u003C\u002Fkbd> |\n| Load next image                    | Editor   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>Right\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>Right\u003C\u002Fkbd> |\n| Zoom in                            | Editor   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>+\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>+\u003C\u002Fkbd> |\n| Zoom out                           | Editor   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>-\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>-\u003C\u002Fkbd> |\n| Move image                         | Editor   | \u003Ckbd>Up\u003C\u002Fkbd> \u002F \u003Ckbd>Down\u003C\u002Fkbd> \u002F \u003Ckbd>Left\u003C\u002Fkbd> \u002F \u003Ckbd>Right\u003C\u002Fkbd> | \u003Ckbd>Up\u003C\u002Fkbd> \u002F \u003Ckbd>Down\u003C\u002Fkbd> \u002F \u003Ckbd>Left\u003C\u002Fkbd> \u002F \u003Ckbd>Right\u003C\u002Fkbd> |\n| Select Label                       | Editor   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>0-9\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>0-9\u003C\u002Fkbd> |\n| Exit popup                         | Popup    | \u003Ckbd>Escape\u003C\u002Fkbd> | \u003Ckbd>Escape\u003C\u002Fkbd> |\n\n**Table 1.** Supported keyboard shortcuts\n\n## ⬆️ Export Formats\n\n|               | CSV | YOLO | VOC XML | VGG JSON | COCO JSON | PIXEL MASK |\n|:-------------:|:---:|:----:|:-------:|:--------:|:---------:|:----------:|\n| **Point**     | ✓   | ✗    | ☐       | ☐        | ☐         | ✗          |\n| **Line**      | ✓   | ✗    | ✗       | ✗        | ✗         | ✗          |\n| **Rect**      | ✓   | ✓    | ✓       | ☐        | ☐         | ✗          |\n| **Polygon**   | ☐   | ✗    | ☐       | ✓        | ✓         | ☐          |\n| **Label**     | ✓   | ✗    | ✗       | ✗        | ✗         | ✗          |\n\n**Table 2.** The matrix of supported labels export formats, where:\n* ✓ - supported format\n* ☐ - not yet supported format\n* ✗ - format does not make sense for a given label type  \n\nYou can find examples of export files along with a description and schema on our [Wiki][7].\n\n## ⬇️ Import Formats\n\n|               | CSV | YOLO | VOC XML | VGG JSON | COCO JSON | PIXEL MASK |\n|:-------------:|:---:|:----:|:-------:|:--------:|:---------:|:----------:|\n| **Point**     | ☐   | ✗    | ☐       | ☐        | ☐         | ✗          |\n| **Line**      | ☐   | ✗    | ✗       | ✗        | ✗         | ✗          |\n| **Rect**      | ☐   | ✓    | ✓       | ☐        | ✓         | ✗          |\n| **Polygon**   | ☐   | ✗    | ☐       | ☐        | ✓         | ☐          |\n| **Label**     | ☐   | ✗    | ✗       | ✗        | ✗         | ✗          |\n\n**Table 3.** The matrix of supported labels import formats\n* ✓ - supported format\n* ☐ - not yet supported format\n* ✗ - format does not make sense for a given label type  \n\n## 🔐 Privacy\n\nWe don't store your images, because we don't send them anywhere in the first place.\n\n## 🚀 Tutorials\n\nIf you are just starting your adventure with deep learning and would like to learn and create something cool along the way, [makesense.ai][1] can help you with that. Leverage our bounding box labeling functionality to prepare a data set and use it to train your first state-of-the-art object detection model. Follow [instructions][12] and [examples][13] but most importantly, free your creativity.\n\n\n## 🏆 Contribution\n\n\u003Cp align=\"center\"> \n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fgraphs\u002Fcontributors\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSkalskiP_make-sense_readme_c4b5c57ec5f4.png\" \u002F>\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n## 💬 Citation\n\nPlease cite Make Sense in your publications if this is useful for your research. Here is an example BibTeX entry:\n\n```BibTeX\n@MISC{make-sense,\n   author = {Piotr Skalski},\n   title = {{Make Sense}},\n   howpublished = \"\\url{https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002F}\",\n   year = {2019},\n}\n```\n\n## 🪧 License\n\nThis project is licensed under the GPL-3.0 License - see the [LICENSE][2] file for details. Copyright © 2019 Piotr Skalski.\n\n[1]: http:\u002F\u002Fmakesense.ai\n[2]: .\u002FLICENSE\n[3]: https:\u002F\u002Ftwitter.com\u002FPiotrSkalski92\n[4]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F16\n[5]: https:\u002F\u002Fgitter.im\u002Fmake-sense-ai\u002Fcommunity?utm_source=share-link&utm_medium=link&utm_campaign=share-link\n[6]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fwiki\u002FRoad-Map\n[7]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fwiki\u002FSupported-Output-Formats\n[8]: https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.02325\n[9]: http:\u002F\u002Fcocodataset.org\n[10]: https:\u002F\u002Fwww.tensorflow.org\u002Fjs\n[11]: https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmodels\u002Fpose_estimation\u002Foverview\n[12]: https:\u002F\u002Ftowardsdatascience.com\u002Fchess-rolls-or-basketball-lets-create-a-custom-object-detection-model-ef53028eac7d\n[13]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002FILearnDeepLearning.py\u002Ftree\u002Fmaster\u002F02_data_science_toolkit\u002F02_yolo_object_detection\n[14]: https:\u002F\u002Fskalskip.github.io\u002Fmake-sense\u002F\n[15]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\n[16]: https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\n[17]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fyolov5js \n[18]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fyolov5js-zoo\n[19]: https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Fblob\u002Fmaster\u002Fexport.py\n","[![Github Stars](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fstars-nominate-brightgreen?logo=github)](https:\u002F\u002Fstars.github.com\u002Fnominate\u002F)\n![GitHub release (latest by date including pre-releases)](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002FSkalskiP\u002Fmake-sense?include_prereleases)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002FSkalskiP\u002Fmake-sense\u002Fbranch\u002Fdevelop\u002Fgraph\u002Fbadge.svg?token=lWsADbAey2)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FSkalskiP\u002Fmake-sense)\n[![Gitter](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgitter.svg)](https:\u002F\u002Fgitter.im\u002Fmake-sense-ai\u002Fcommunity)\n[![Discord](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fdiscord.svg)](https:\u002F\u002Fdiscord.gg\u002FASCjCrNdA7)\n\n\u003Ch1 align=\"center\">makesense.ai\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n    \u003C\u002Fbr>\n    \u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSkalskiP_make-sense_readme_cdc411a5429c.png\" alt=\"make sense logo\">\n    \u003C\u002Fbr>\n\u003C\u002Fp>\n\n[makesense.ai][1] 是一款免费的在线照片标注工具。由于它基于浏览器运行，无需复杂的安装步骤——只需访问网站即可开始使用。此外，无论您使用哪种操作系统，我们都致力于提供真正的跨平台体验。这款工具非常适合小型计算机视觉深度学习项目，能够显著简化和加速数据集的准备工作。生成的标注文件可以以多种支持的格式下载。该应用采用 TypeScript 编写，并基于 React\u002FRedux 框架开发。\n\n## 📄 文档\n\n您可以通过我们新发布的 [文档][14] 了解更多关于这款工具的信息——目前仍在 🚧 建设中。请告诉我们您希望我们优先涵盖哪些主题。\n\n## 🤖 高级 AI 集成\n\n[makesense.ai][1] 致力于大幅减少您在照片标注上花费的时间。我们正在努力集成最新、最强大的 AI 模型，这些模型不仅可以为您提供标注建议，还能自动完成重复且繁琐的任务。\n\n* [YOLOv5][16] 是我们目前功能最强大的集成。借助 [yolov5js][17]，您可以加载不仅来自 [yolov5js-zoo](18) 的预训练模型，更重要的是，您还可以加载自己使用 YOLOv5 训练并导出为 tfjs 格式的模型。\n* [SSD][8] 已在 [COCO 数据集][9] 上预训练，能够在照片上为您绘制边界框，并在某些情况下建议标签。\n* [PoseNet][11] 是一种视觉模型，可用于通过估计关键身体关节的位置来估算图像或视频中的人体姿态。\n\n驱动我们 AI 功能的核心引擎是 [TensorFlow.js][10]——这是最流行的神经网络训练框架的 JavaScript 版本。这一选择不仅有助于加快您的工作速度，还能保护您的数据隐私，因为与其他商业和开源工具不同，您的照片无需上传到服务器。这一次，AI 就在您的设备上运行！\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F193255987-2d01c549-48c3-41ae-87e9-e1b378968966.mov\n\n## 💻 本地设置\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense.git\n\n# 进入主目录\ncd make-sense\n\n# 安装依赖\nnpm install\n\n# 在 localhost:3000 启动热重载服务\nnpm start\n```\n为了确保应用程序在本地正常运行，需要 npm `8.x.x` 和 node.js `v16.x.x` 版本。有关此问题的更多信息，请参阅 [#16][4]。\n\n## 🐳 Docker 设置\n\n```bash\n# 构建 Docker 镜像\ndocker build -t make-sense -f docker\u002FDockerfile .\n\n# 以服务方式运行 Docker 镜像\ndocker run -dit -p 3000:3000 --restart=always --name=make-sense make-sense\n\n# 查看 Docker 容器日志\ndocker logs make-sense\n\n# 访问 makesense：http:\u002F\u002Flocalhost:3000\u002F\n```\n\n## ⌨️ 键盘快捷键\n\n| 功能                      | 场景  | Mac | Windows \u002F Linux  |\n|:-----------------------------------|:--------:|:---:|:----------------:|\n| 多边形自动完成               | 编辑器   | \u003Ckbd>Enter\u003C\u002Fkbd> | \u003Ckbd>Enter\u003C\u002Fkbd> |\n| 取消多边形绘制             | 编辑器   | \u003Ckbd>Escape\u003C\u002Fkbd> | \u003Ckbd>Escape\u003C\u002Fkbd> |\n| 删除当前选中的标签    | 编辑器   | \u003Ckbd>Backspace\u003C\u002Fkbd> | \u003Ckbd>Delete\u003C\u002Fkbd> |\n| 加载上一张图片                | 编辑器   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>Left\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>Left\u003C\u002Fkbd> |\n| 加载下一张图片                    | 编辑器   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>Right\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>Right\u003C\u002Fkbd> |\n| 放大                            | 编辑器   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>+\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>+\u003C\u002Fkbd> |\n| 缩小                           | 编辑器   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>-\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>-\u003C\u002Fkbd> |\n| 移动图片                         | 编辑器   | \u003Ckbd>Up\u003C\u002Fkbd> \u002F \u003Ckbd>Down\u003C\u002Fkbd> \u002F \u003Ckbd>Left\u003C\u002Fkbd> \u002F \u003Ckbd>Right\u003C\u002Fkbd> | \u003Ckbd>Up\u003C\u002Fkbd> \u002F \u003Ckbd>Down\u003C\u002Fkbd> \u002F \u003Ckbd>Left\u003C\u002Fkbd> \u002F \u003Ckbd>Right\u003C\u002Fkbd> |\n| 选择标签                       | 编辑器   | \u003Ckbd>⌥\u003C\u002Fkbd> + \u003Ckbd>0-9\u003C\u002Fkbd> | \u003Ckbd>Ctrl\u003C\u002Fkbd> + \u003Ckbd>0-9\u003C\u002Fkbd> |\n| 关闭弹出窗口                         | 弹出窗口    | \u003Ckbd>Escape\u003C\u002Fkbd> | \u003Ckbd>Escape\u003C\u002Fkbd> |\n\n**表 1.** 支持的键盘快捷键\n\n## ⬆️ 导出格式\n\n|               | CSV | YOLO | VOC XML | VGG JSON | COCO JSON | PIXEL MASK |\n|:-------------:|:---:|:----:|:-------:|:--------:|:---------:|:----------:|\n| **点**     | ✓   | ✗    | ☐       | ☐        | ☐         | ✗          |\n| **线**      | ✓   | ✗    | ✗       | ✗        | ✗         | ✗          |\n| **矩形**      | ✓   | ✓    | ✓       | ☐        | ☐         | ✗          |\n| **多边形**   | ☐   | ✗    | ☐       | ✓        | ✓         | ☐          |\n| **标签**     | ✓   | ✗    | ✗       | ✗        | ✗         | ✗          |\n\n**表 2.** 支持的标签导出格式矩阵，其中：\n* ✓ - 支持的格式\n* ☐ - 尚未支持的格式\n* ✗ - 对该标签类型无意义的格式  \n\n您可以在我们的 [Wiki][7] 上找到导出文件的示例、描述和模式。\n\n## ⬇️ 导入格式\n\n|               | CSV | YOLO | VOC XML | VGG JSON | COCO JSON | PIXEL MASK |\n|:-------------:|:---:|:----:|:-------:|:--------:|:---------:|:----------:|\n| **点**     | ☐   | ✗    | ☐       | ☐        | ☐         | ✗          |\n| **线**      | ☐   | ✗    | ✗       | ✗        | ✗         | ✗          |\n| **矩形**      | ☐   | ✓    | ✓       | ☐        | ✓         | ✗          |\n| **多边形**   | ☐   | ✗    | ☐       | ☐        | ✓         | ☐          |\n| **标签**     | ☐   | ✗    | ✗       | ✗        | ✗         | ✗          |\n\n**表 3.** 支持的标签导入格式矩阵\n* ✓ - 支持的格式\n* ☐ - 尚未支持的格式\n* ✗ - 对该标签类型无意义的格式  \n\n## 🔐 隐私\n\n我们不会存储您的图片，因为我们根本不会将它们发送到任何地方。\n\n## 🚀 教程\n\n如果你刚刚开始深度学习之旅，并希望在学习过程中创造出一些有趣的东西，[makesense.ai][1] 可以帮助你实现。利用我们的边界框标注功能准备数据集，并用它来训练你的第一个最先进的目标检测模型。请按照 [说明][12] 和 [示例][13] 操作，但最重要的是，释放你的创造力。\n\n\n## 🏆 贡献\n\n\u003Cp align=\"center\"> \n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fgraphs\u002Fcontributors\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSkalskiP_make-sense_readme_c4b5c57ec5f4.png\" \u002F>\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n## 💬 引用\n\n如果你的研究中使用了 Make Sense，请在你的论文或出版物中引用它。以下是一个 BibTeX 条目的示例：\n\n```BibTeX\n@MISC{make-sense,\n   author = {Piotr Skalski},\n   title = {{Make Sense}},\n   howpublished = \"\\url{https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002F}\",\n   year = {2019},\n}\n```\n\n## 🪧 许可证\n\n本项目采用 GPL-3.0 许可证授权——详情请参阅 [LICENSE][2] 文件。版权所有 © 2019 Piotr Skalski。\n\n[1]: http:\u002F\u002Fmakesense.ai\n[2]: .\u002FLICENSE\n[3]: https:\u002F\u002Ftwitter.com\u002FPiotrSkalski92\n[4]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F16\n[5]: https:\u002F\u002Fgitter.im\u002Fmake-sense-ai\u002Fcommunity?utm_source=share-link&utm_medium=link&utm_campaign=share-link\n[6]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fwiki\u002FRoad-Map\n[7]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fwiki\u002FSupported-Output-Formats\n[8]: https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.02325\n[9]: http:\u002F\u002Fcocodataset.org\n[10]: https:\u002F\u002Fwww.tensorflow.org\u002Fjs\n[11]: https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmodels\u002Fpose_estimation\u002Foverview\n[12]: https:\u002F\u002Ftowardsdatascience.com\u002Fchess-rolls-or-basketball-lets-create-a-custom-object-detection-model-ef53028eac7d\n[13]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002FILearnDeepLearning.py\u002Ftree\u002Fmaster\u002F02_data_science_toolkit\u002F02_yolo_object_detection\n[14]: https:\u002F\u002Fskalskip.github.io\u002Fmake-sense\u002F\n[15]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\n[16]: https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\n[17]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fyolov5js \n[18]: https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fyolov5js-zoo\n[19]: https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Fblob\u002Fmaster\u002Fexport.py","# Make Sense 快速上手指南\n\nMake Sense 是一款免费、开源的在线图像标注工具，专为计算机视觉深度学习项目设计。它无需安装即可在浏览器中使用，支持多种标注格式导出，并集成了 YOLOv5、SSD 等 AI 模型以辅助自动标注。所有数据处理均在本地完成，确保隐私安全。\n\n## 环境准备\n\n在本地部署前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：跨平台支持（Windows, macOS, Linux）\n*   **Node.js**: 推荐版本 `v16.x.x`\n*   **npm**: 推荐版本 `8.x.x`\n*   **浏览器**: 现代浏览器（Chrome, Firefox, Edge 等）\n\n> **注意**：版本不匹配可能导致应用无法正常运行（参考官方 Issue #16）。\n\n## 安装步骤\n\n您可以选择通过源码运行或 Docker 容器化部署。\n\n### 方式一：源码运行（推荐开发者）\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense.git\n    ```\n\n2.  **进入项目目录**\n    ```bash\n    cd make-sense\n    ```\n\n3.  **安装依赖**\n    *国内用户若遇到下载缓慢，可临时配置淘宝镜像源：*\n    ```bash\n    npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n    npm install\n    ```\n\n4.  **启动服务**\n    ```bash\n    npm start\n    ```\n    服务启动后，访问 `http:\u002F\u002Flocalhost:3000\u002F` 即可使用。\n\n### 方式二：Docker 部署\n\n如果您已安装 Docker，可使用以下命令快速构建并运行：\n\n1.  **构建镜像**\n    ```bash\n    docker build -t make-sense -f docker\u002FDockerfile .\n    ```\n\n2.  **运行容器**\n    ```bash\n    docker run -dit -p 3000:3000 --restart=always --name=make-sense make-sense\n    ```\n\n3.  **访问服务**\n    打开浏览器访问 `http:\u002F\u002Flocalhost:3000\u002F`。\n\n## 基本使用\n\nMake Sense 的核心优势在于“开箱即用”和“本地隐私保护”。\n\n1.  **开始标注**\n    *   访问应用页面后，点击 **\"Start Project\"**。\n    *   上传您需要标注的图片文件（支持批量上传）。\n    *   定义标签类别（例如：`person`, `car`, `dog`）。\n\n2.  **进行标注**\n    *   在图片上绘制边界框（Rect）、多边形（Polygon）、点（Point）或线（Line）。\n    *   **AI 辅助**：启用右侧面板的 AI 模型（如 YOLOv5 或 SSD），可自动推荐检测框，大幅减少手动操作。\n    *   **快捷键**：\n        *   `Enter`: 完成多边形绘制\n        *   `Escape`: 取消当前操作\n        *   `Ctrl` + `Left\u002FRight` (Mac: `Option` + `Left\u002FRight`): 切换上一张\u002F下一张图片\n        *   `Ctrl` + `+\u002F-`: 缩放图片\n\n3.  **导出数据**\n    *   标注完成后，点击 **\"Export\"** 按钮。\n    *   选择您需要的格式（支持 CSV, YOLO, VOC XML, COCO JSON, VGG JSON 等）。\n    *   标签文件将直接下载到本地，**图片本身不会上传至任何服务器**。\n\n4.  **导入现有数据**\n    *   如果您已有部分标注文件（如 YOLO 或 COCO 格式），可在项目开始时直接导入，继续编辑或修正。","某初创团队正在开发一套基于视觉的零售货架商品检测系统，需要快速构建包含数千张货架照片的高质量训练数据集。\n\n### 没有 make-sense 时\n- **环境部署繁琐**：团队成员需在不同操作系统上配置复杂的 Python 环境和标注软件依赖，耗时且容易出错。\n- **数据隐私风险**：使用在线商业标注平台时，必须将未脱敏的原始货架照片上传至第三方服务器，存在泄露风险。\n- **人工效率低下**：完全依靠手动绘制每个商品的边界框，面对密集排列的商品，单人每天仅能处理少量图片。\n- **格式转换困难**：导出的标注文件格式单一，后续需编写额外脚本才能转换为 YOLO 或 COCO 等模型所需的格式。\n\n### 使用 make-sense 后\n- **开箱即用**：成员只需打开浏览器访问网站即可立即开始工作，无需安装任何软件，完美适配 Windows、Mac 和 Linux 各种设备。\n- **本地隐私保护**：借助 TensorFlow.js 技术，所有图片处理和 AI 推理均在本地浏览器完成，原始数据无需上传，确保数据安全。\n- **AI 智能辅助**：集成 YOLOv5 和 SSD 预训练模型，自动推荐商品边界框和类别，人工仅需微调，标注速度提升数倍。\n- **多格式支持**：一键导出多种主流深度学习框架支持的标注格式，直接对接训练流程，省去格式转换环节。\n\nmake-sense 通过“浏览器即服务”和“本地化 AI 辅助”的双重优势，将数据准备周期从数周缩短至数天，同时牢牢守住了数据隐私底线。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSkalskiP_make-sense_8aac4208.png","SkalskiP","Piotr Skalski","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSkalskiP_4b8675f3.jpg","Open Source Lead @roboflow | Founder @ makesense.ai","@roboflow","127.0.0.1","piotr.skalski92@gmail.com","skalskip92","https:\u002F\u002Fhuggingface.co\u002FSkalskiP","https:\u002F\u002Fgithub.com\u002FSkalskiP",[83,87,91,95,99],{"name":84,"color":85,"percentage":86},"TypeScript","#3178c6",89.3,{"name":88,"color":89,"percentage":90},"SCSS","#c6538c",10.3,{"name":92,"color":93,"percentage":94},"HTML","#e34c26",0.3,{"name":96,"color":97,"percentage":98},"JavaScript","#f1e05a",0.1,{"name":100,"color":101,"percentage":102},"Dockerfile","#384d54",0,3520,583,"2026-04-09T20:09:58","GPL-3.0","Linux, macOS, Windows","非必需（基于浏览器运行，AI 推理使用 TensorFlow.js 在本地设备执行，支持 CPU 或 GPU 加速）","未说明",{"notes":111,"python":112,"dependencies":113},"该工具主要作为在线网页应用运行，无需安装即可使用。若需本地部署，需克隆仓库并安装 Node.js (v16.x.x) 和 npm (8.x.x)。AI 功能（如 YOLOv5, SSD, PoseNet）通过 TensorFlow.js 在浏览器端运行，保护数据隐私，图片无需上传至服务器。支持多种标注导出格式（CSV, YOLO, VOC XML 等）。","不需要",[114,115,116,117,84,118],"Node.js v16.x.x","npm 8.x.x","React","Redux","TensorFlow.js",[14,16,15],[121,122,123,124,125,126,127,128,129,130,131,132],"deep-learning","image-annotation","detection","tagging","object-detection","labeling-tool","computer-vision","landmark-detection","pascal-voc","labeling-photos","posenet-model","ssd-model",null,"2026-03-27T02:49:30.150509","2026-04-10T20:35:37.122243",[137,142,147,152,157,162],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},28251,"如何导入现有的标注文件（例如 YOLO 格式）？","要导入 YOLO 标注，您需要准备一个名为 \"labels.txt\" 的文件，该文件应与所有其他标注 txt 文件放在一起。\"labels.txt\" 文件中应包含您的类别名称，每行一个。例如，如果有 3 个类别，文件内容应为：\nperson\ntree\nchair\n准备好后，将所有标注文件和 \"labels.txt\" 一起上传到编辑器即可。","https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F32",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},28252,"在 Windows 10 上运行时报错 'Cannot find module @csstools\u002Fnormalize.css' 怎么办？","这是 Windows 用户常见的问题。解决方法是手动安装缺失的模块。请在项目目录下运行命令：`npm install normalize.css`。安装完成后再次运行 `npm start` 即可正常启动。建议确保 Node.js 和 npm 版本符合要求（如 Node v12+），如果问题依旧，尝试删除仓库重新克隆并安装依赖。","https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F16",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},28253,"Docker 构建失败，报错 'Unsupported platform for esbuild-linux-arm64' 如何解决？","该错误通常发生在架构不匹配时（例如在 x64 机器上尝试构建 arm64 的包）。请检查您的 Docker 构建环境架构。如果是本地构建，确保使用的是与当前系统架构匹配的 Node 镜像。对于 x64 系统，确保 Dockerfile 中没有强制指定 arm64 相关的依赖，或者尝试更新 `package-lock.json` 以匹配当前的 lockfileVersion（错误日志显示 lockfileVersion@1 与 @2 的冲突）。","https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F289",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},28254,"如何在本地运行时修复 TypeScript 编译错误（如 TS1005 或 TS2345）？","这类错误通常是因为本地安装的 TypeScript 版本与项目所需版本不一致，或者 `node_modules` 目录未正确生成。建议不要手动升级 TypeScript 版本。请尝试删除 `node_modules` 文件夹和 `package-lock.json` 文件，然后重新运行 `npm install` 以确保安装项目指定的确切依赖版本。如果问题仍然存在，请检查 `package.json` 中的脚本配置，确保使用项目内部安装的 tsc 而不是全局版本。","https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F127",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},28255,"是否支持通过两次点击（而非拖拽）来绘制边界框？","目前社区对该功能有需求，但尚未作为默认标准操作广泛文档化。当前主要支持的绘制方式包括“点击并拖拽”。虽然开发者曾讨论过支持“两次点击”（第一次确定左上角，第二次确定右下角）以及“四次点击”模式，但这取决于具体的版本更新。建议查看最新的官方文档或尝试在设置中查找是否有相关绘图模式切换选项。","https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F12",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},28256,"如何导入自定义模型以加速标注？","导入自定义模型的功能正在完善中，相关的文档也在更新。通常这需要特定的配置文件或模型权重格式。由于该功能较新且配置复杂，建议密切关注项目的官方文档更新（Docs），其中会详细描述上传自定义模型的具体步骤和所需文件格式。如果您有具体想法，也可以参与文档的贡献。","https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F156",[168,173,178,183,188,193,198,203,208,213,218,223,228],{"id":169,"version":170,"summary_zh":171,"released_at":172},189143,"1.11.0-alpha","# [1.11.0-alpha] - 2022-12-20\n\n## 🚀 新增功能\n\n- VOC XML 导入功能（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F280）。现在，我们既可以导入也可以导出 VOC XML 格式的标注文件。\n- 支持 Roboflow 推理服务器（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F298）。现在，您可以在 MS 中使用 Roboflow API 对图像进行标注。\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F208692860-77fb999e-dd3b-4e23-9fca-c3cfa4751dd5.mp4\n\n## 🔧 修复\n\n- 修复 YOLOv5 P6 模型的支持问题（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F281）。我们已解决将 YOLOv5 M6 模型加载到 MS 中时出现的问题，这些问题与所需的更高推理分辨率有关。\n- 修复标签上传界面的混淆问题（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F282）。对 UI 进行了改进，使用户在 MS 中使用 YOLOv5 模型更加方便。\n- 修复标签名称不唯一的情况处理（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F286）。此前，MS 不允许用户创建多个同名标签，但并未说明拒绝加载项目的原因。现在会显示一条包含操作指引的提示信息。\n- 修复 Docker 构建失败的问题（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F289）。在 JavaScript 依赖项发生变更后，需要升级基础 Node.js 镜像的版本。\n\n## 🏆 贡献者\n\n@hartmannr76、@PawelPeczek、@SkalskiP\n\n## 🚧 进展中\n\n- 我们关于 [统计视图](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F76) 的开发工作已接近完成，预计将在下一次发布中上线。\n- 我们正在推进与由 @PawelPeczek 开发的 [MS 推理服务器](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense-inference) 的集成。","2022-12-20T14:41:42",{"id":174,"version":175,"summary_zh":176,"released_at":177},189144,"1.10.0-alpha","# [1.10.0-alpha] - 2022-09-30\n\n## 🚀 新增\n\n- 支持 YOLOv5 模型。（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F276）现在您可以使用预训练模型或自定义模型来加速标注流程。请观看简短视频，了解这一新功能。\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F193255987-2d01c549-48c3-41ae-87e9-e1b378968966.mov\n\n## 🔧 修复\n\n- 修复了允许与隐藏标签交互的 UI Bug。（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F272）\n\n## 🏆 贡献者\n\n特别感谢 @IuliuNovac 提交的原始 [PR](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F220)，展示了与 [YOLOv5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5) 的集成。如果没有您的灵感和推动，makesense.ai 绝不可能拥有这项强大的功能。💥 谢谢您！🙏\n\n## 🚧 进展中\n\n下一次发布的一大亮点将是备受期待的 [统计视图](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F76) 的引入，该视图将展示关于已标注对象和图像的统计数据。目前该功能的开发已经取得了显著进展。（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F268）\n\n## 变更内容\n* 在 Make Sense 首页添加 Twitch 链接，由 @SkalskiP 在 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F270 中完成。\n* 修复“可以与隐藏标签交互”的问题，由 @SkalskiP 在 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F272 中完成。\n* 功能：156_导入自定义 YOLOv5 模型，由 @SkalskiP 在 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F276 中完成。\n* 发布 1.10.0-alpha 版本，由 @SkalskiP 在 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F277 和 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F278 中完成。\n\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fcompare\u002F1.9.0-alpha...1.10.0-alpha","2022-10-02T22:37:04",{"id":179,"version":180,"summary_zh":181,"released_at":182},189145,"1.9.0-alpha","# [1.9.0-alpha] - 2022-07-26\n\n## 🚀 新增功能\n\n- 开启和关闭标注可见性（https:\u002F\u002Fgithub.com\u002Fskalskip\u002Fmake-sense\u002Fissues\u002F255）\n- 引入并配置代码风格检查工具（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F262）\n- 在导出框选标注生成的 CSV 文件中添加表头（https:\u002F\u002Fgithub.com\u002Fskalskip\u002Fmake-sense\u002Fissues\u002F252）\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F181109414-a96382bf-75b1-48a8-962c-528315136934.MP4\n\n## 🌱 变更\n\n- 迁移到最新版本的 React 和 MaterialUI（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F262）\n- 从 Webpack 迁移到 Vite（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F262）\n\n## 🔧 修复\n\n- 修复 Docker 安装问题（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F210）\n- 修复 PASCAL XML 导出，使其能够与 TFLite Model Maker 兼容（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F214）\n\n## 🏆 贡献者\n\n特别感谢 @rasyidf 的卓越贡献，他不仅提交了大量 Pull Request，还提出了许多优秀的功能开发创意。非常感谢！🙏\n\n@rasyidf、@IuliuNovac、@Parthiban\n\n## 🚧 进展中\n\n下一次发布的一大亮点将是引入将任意自定义 YOLOv5 模型加载到 MS 中，并在图像标注时使用该模型的功能。得益于 @IuliuNovac 的辛勤工作，我们已经为这一功能构建了一个先进且可运行的概念验证（https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fpull\u002F220）。","2022-07-26T20:53:32",{"id":184,"version":185,"summary_zh":186,"released_at":187},189146,"1.8.0-alpha","# [1.8.0-alpha] - 2021-09-06\n\n## 🚀  新增\n\n- 当打开每个新议题时触发的带有问候消息的 GitHub Actions (#182)\n- 自动化测试及与 CodeCov 的集成 (#184)\n- 编辑器操作栏按钮的工具提示 (#196)\n- 通过键盘快捷键选择标签名称 (#134)\n- make-sense 文档初版 (#185) - https:\u002F\u002Fskalskip.github.io\u002Fmake-sense\u002F\n- **按类别的注释颜色标注** (#190) ⭐ \n- **集中式错误通知系统** (#193) ⭐ \n\n## 🌱  变更\n\n- 升级 Node.js 版本及 npm 依赖 (#189 和 #191)\n- 在加载图片时按名称排序图片 (#195)\n\n## 🔧  修复\n\n- 导入文件名包含多个点的图片和标签 (#160)\n- 导出的 YOLO 注释中，位于图像边缘的边界框存在无效情况 (#188)\n- 在图像外部开始绘制线条会导致错误，从而使整个编辑器崩溃 (#194)\n\n## 🏆  贡献者\n\n@jaaywags、@rasyidf、@h3ct0r、@Minipada 和 @SkalskiP","2021-09-06T18:31:16",{"id":189,"version":190,"summary_zh":191,"released_at":192},189147,"1.7.0-alpha","* 更快速的标签定义——使用 Enter 键确认当前编辑的标签并打开一个新的文本输入框\n* 更新了外部依赖\n* 修复了与鼠标十字光标相关的 bug\n* 样式调整——在应用顶部栏中引入下拉菜单\n* 导入 COCO 和 YOLO 格式的标注数据\n* 导出 COCO 格式的标注数据\n* 简化弹出窗口的管理\n* 添加了新的单元测试","2020-10-06T16:41:38",{"id":194,"version":195,"summary_zh":196,"released_at":197},189148,"1.6.0-alpha","* 图像分类标注 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F81\n* 使用线条标注图像 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F84\n* 扩展的十字准线 https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fmake-sense\u002Fissues\u002F12","2020-06-15T22:01:35",{"id":199,"version":200,"summary_zh":201,"released_at":202},189149,"1.5.0-alpha","* 改进了与[SSD模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.02325)的集成——现在，除了边界框外，我们还增加了对目标所属类别的建议\n* 集成了[PoseNet模型](https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmodels\u002Fpose_estimation\u002Foverview)——可用于通过估计关键身体关节的位置来估算图像或视频中人的姿态\n* #15 在创建标签后添加和重命名标签\n* 修复了许多小错误","2019-10-01T07:33:15",{"id":204,"version":205,"summary_zh":206,"released_at":207},189150,"1.4.0-alpha","新增了与在 COCO 数据集上预训练的 SSD 模型的集成，该模型将自动为照片绘制边界框；在应用的未来版本中，它还将提供标签建议。","2019-09-23T10:16:19",{"id":209,"version":210,"summary_zh":211,"released_at":212},189151,"1.3.0-alpha","* 支持照片的放大与缩小，以及对近景照片的操控功能\n* 新增键盘快捷键，并对现有快捷键系统进行补丁更新\n* 修复应用程序中的各类 bug，包括窗口缩放相关的问题","2019-09-15T11:10:36",{"id":214,"version":215,"summary_zh":216,"released_at":217},189152,"1.2.1-alpha","由于我们近期修复了大量的 bug，因此决定发布一个小型版本。这一点非常重要，因为在不久的将来，我们将投入大量时间开发新功能，同时我们也希望保持应用处于最佳状态。\n\n除其他内容外，我们还修复了以下问题：\n\n* #36 当仅存在点标注时，导出的 CSV 文件为空。\n* #37 当项目中包含多张图片时，导出的 CSV 文件缺少文件名。\n* #40 标签滚动问题。\n* #43 界面显示错误。","2019-09-04T18:13:39",{"id":219,"version":220,"summary_zh":221,"released_at":222},189153,"1.2.0-alpha","* Labelling objects using polygons\r\n* A popup that allows users to add extra photos after they have created a project added\r\n* Support for VGG JSON format","2019-08-25T17:19:23",{"id":224,"version":225,"summary_zh":226,"released_at":227},189154,"1.1.0-alpha","* Adding support for rect export to Pascal VOC XML format\r\n* Adding snapping points and rectangles when the mouse is outside the outline of the photo during active labeling\r\n* Possibility to define a project name","2019-08-15T22:19:11",{"id":229,"version":230,"summary_zh":231,"released_at":232},189155,"1.0.0-alpha","* Support only for object detection\r\n* Support for two types of labelling - rect and point\r\n* Support only two types of export files - YOLO, CSV","2019-08-15T21:30:29"]