[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SkalskiP--sports":3,"tool-SkalskiP--sports":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",147882,2,"2026-04-09T11:32:47",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":90,"oss_zip_packed_at":90,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":119},5906,"SkalskiP\u002Fsports","sports","Cool experiments at the intersection of Computer Vision and Sports ⚽🏃","sports 是一个聚焦于计算机视觉与体育领域交叉应用的开源实验集合，旨在通过前沿 AI 技术解析足球比赛场景。它主要解决了传统人工分析效率低、难以实时量化球员动态及战术细节的痛点，提供了从基础检测到高级语义理解的完整方案。\n\n该项目非常适合计算机视觉开发者、体育数据分析师以及高校研究人员使用，帮助他们快速复现和探索体育智能分析技术。其核心亮点在于融合了多种先进模型：利用 YOLOv5 结合 ByteTrack 算法，实现了对球场上多名球员的精准实时追踪；借助 YOLOv7 与双摄像头设置，成功复现了类似 VAR 系统的 3D 球员姿态估计，可辅助判断越位等复杂规则；更创新性地引入 GPT-4V 多模态能力，通过视觉提示技术自动识别球衣颜色并将球员归类至对应球队。这些实验不仅展示了 AI 在体育战术分析中的巨大潜力，也为构建自动化赛事解说、训练辅助系统提供了宝贵的代码参考与技术思路。","# ⚽  Football Players Tracking with YOLOv5 + ByteTrack\n\n[![YouTube](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fyoutube.svg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QCG8QMhga9k)\n[![Roboflow](https:\u002F\u002Fraw.githubusercontent.com\u002Froboflow-ai\u002Fnotebooks\u002Fmain\u002Fassets\u002Fbadges\u002Froboflow-blogpost.svg)](https:\u002F\u002Fblog.roboflow.com\u002Ftrack-football-players\u002F)\n[![GitHub](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgithub.svg)](https:\u002F\u002Fgithub.com\u002Froboflow-ai\u002Fnotebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002Fhow-to-track-football-players.ipynb)\n\nI have long been fascinated by the use of Computer Vision in sports. After all, it is a combination of two things I love. Almost three years ago, I wrote a post on my personal blog in which I tried — at that time, still using YOLOv3 — to [detect and classify basketball players on the court](https:\u002F\u002Ftowardsdatascience.com\u002Fchess-rolls-or-basketball-lets-create-a-custom-object-detection-model-ef53028eac7d).\n\nFIFA World Cup 2022 has motivated me to revisit this idea. This time I used a combination of [YOLOv5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5) and [ByteTrack](https:\u002F\u002Fgithub.com\u002Fifzhang\u002FByteTrack) to track football players on the field. This blog post accompanies the Roboflow video where I talk through how to track players on a football field.\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F207858600-ee862b22-0353-440b-ad85-caa0c4777904.mp4\n\n# 🤸  3D Football Players Pose Estimation with YOLOv7\n\n[![YouTube](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fyoutube.svg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=AWjKfjDGiYE)\n[![GitHub](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgithub.svg)](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsport\u002Ftree\u002Fmaster\u002Ffootball-players-pose-estimation)\n\nI was watching a FIFA 2022 World Cup match the other day, and one of the things that caught my eye was VAR - Video Assistant Referee, or to be more precise, the part of it responsible for analyzing whether a player was on the offside. I did a little [research](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=WycjDx6giVE) and found that the system performs pose estimation on multiple cameras at once. I decided to check how difficult it would be to reproduce it at home using two cameras and [YOLOv7](https:\u002F\u002Fgithub.com\u002FWongKinYiu\u002Fyolov7).\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F207677038-20f951a6-e469-4b3f-a934-66e036fcff69.mp4\n\n# 👕 Assigning Football Players to Teams by Uniform Color with GPT-4V\n\n[![GitHub](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgithub.svg)](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsport\u002Ftree\u002Fmaster\u002Ffootball-analysis-with-gpt4-vision)\n\nThis project explores the use of [GPT-4V](https:\u002F\u002Fopenai.com\u002Fresearch\u002Fgpt-4v-system-card) in sports analytics, specifically in the context of football. Its primary aim was to evaluate whether GPT-4V could effectively distinguish and assign players to teams based on the color of their uniforms. This was achieved through the implementation of several advanced vision prompting techniques.\n\nhttps:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsports\u002Fassets\u002F26109316\u002Fb354b38d-1a12-477d-9283-45059ce12467\n","# ⚽ 使用 YOLOv5 + ByteTrack 跟踪足球运动员\n\n[![YouTube](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fyoutube.svg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QCG8QMhga9k)\n[![Roboflow](https:\u002F\u002Fraw.githubusercontent.com\u002Froboflow-ai\u002Fnotebooks\u002Fmain\u002Fassets\u002Fbadges\u002Froboflow-blogpost.svg)](https:\u002F\u002Fblog.roboflow.com\u002Ftrack-football-players\u002F)\n[![GitHub](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgithub.svg)](https:\u002F\u002Fgithub.com\u002Froboflow-ai\u002Fnotebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002Fhow-to-track-football-players.ipynb)\n\n我一直对计算机视觉在体育领域的应用充满兴趣。毕竟，这结合了我所热爱的两件事。差不多三年前，我在个人博客上发表了一篇文章，当时我还使用 YOLOv3 来尝试 [检测并分类球场上的篮球运动员](https:\u002F\u002Ftowardsdatascience.com\u002Fchess-rolls-or-basketball-lets-create-a-custom-object-detection-model-ef53028eac7d)。\n\n2022 年 FIFA 世界杯激励我重新审视这一想法。这次我结合了 [YOLOv5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5) 和 [ByteTrack](https:\u002F\u002Fgithub.com\u002Fifzhang\u002FByteTrack)，用于跟踪球场上的足球运动员。这篇博客文章配合 Roboflow 的视频，详细介绍了如何在足球场上跟踪球员的方法。\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F207858600-ee862b22-0353-440b-ad85-caa0c4777904.mp4\n\n# 🤸 使用 YOLOv7 进行足球运动员 3D 姿态估计\n\n[![YouTube](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fyoutube.svg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=AWjKfjDGiYE)\n[![GitHub](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgithub.svg)](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsport\u002Ftree\u002Fmaster\u002Ffootball-players-pose-estimation)\n\n前几天我在观看 2022 年 FIFA 世界杯的一场比赛时，VAR（视频助理裁判）引起了我的注意——更准确地说，是其中负责判断球员是否越位的部分。我做了一些 [研究](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=WycjDx6giVE)，发现该系统会同时对多路摄像头的画面进行姿态估计。于是，我决定尝试在家里用两台摄像头和 [YOLOv7](https:\u002F\u002Fgithub.com\u002FWongKinYiu\u002Fyolov7) 来复现这一过程。\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F26109316\u002F207677038-20f951a6-e469-4b3f-a934-66e036fcff69.mp4\n\n# 👕 利用 GPT-4V 根据球衣颜色将足球运动员分配到各自球队\n\n[![GitHub](https:\u002F\u002Fbadges.aleen42.com\u002Fsrc\u002Fgithub.svg)](https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsport\u002Ftree\u002Fmaster\u002Ffootball-analysis-with-gpt4-vision)\n\n这个项目探讨了 [GPT-4V](https:\u002F\u002Fopenai.com\u002Fresearch\u002Fgpt-4v-system-card) 在体育数据分析中的应用，特别是在足球领域。其主要目标是评估 GPT-4V 是否能够根据球员的球衣颜色有效地识别并将其分配到对应的球队。为此，我们实施了几种先进的视觉提示技术。\n\nhttps:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsports\u002Fassets\u002F26109316\u002Fb354b38d-1a12-477d-9283-45059ce12467","# Sports AI 工具快速上手指南\n\n本指南涵盖三个核心功能模块：基于 YOLOv5 + ByteTrack 的球员追踪、基于 YOLOv7 的 3D 姿态估计，以及基于 GPT-4V 的球队颜色分类。\n\n## 1. 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 20.04+) 或 macOS\n- **Python**: 3.8 - 3.10\n- **GPU**: NVIDIA GPU (推荐显存 ≥ 8GB)，需安装 CUDA 11.1+\n- **摄像头**: 单目摄像头（用于追踪）或 双目摄像头同步设置（用于 3D 姿态估计）\n\n### 前置依赖\n确保已安装以下基础库：\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install opencv-python numpy pandas matplotlib seaborn tqdm\n```\n\n> **国内加速建议**：如遇下载缓慢，可使用清华源或阿里源安装 Python 包：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n---\n\n## 2. 安装步骤\n\n克隆项目仓库并安装特定模块依赖：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSkalskiP\u002Fsport.git\ncd sport\n```\n\n根据你需要使用的功能模块，进入对应目录安装依赖（以球员追踪为例）：\n\n```bash\n# 示例：进入足球球员追踪目录\ncd football-players-tracking\npip install -r requirements.txt\n```\n\n*注：不同子项目（如 `football-players-pose-estimation` 或 `football-analysis-with-gpt4-vision`）可能拥有独立的 `requirements.txt`，请进入相应文件夹执行安装。*\n\n---\n\n## 3. 基本使用\n\n### 场景一：足球球员追踪 (YOLOv5 + ByteTrack)\n该功能用于在视频中检测并持续追踪球员轨迹。\n\n**运行示例：**\n```bash\npython track.py --source video.mp4 --model yolov5s.pt --show-tracks\n```\n- `--source`: 输入视频路径或摄像头索引 (如 `0`)。\n- `--model`: 指定 YOLOv5 权重文件。\n- 输出将生成带有追踪框和 ID 的视频文件。\n\n### 场景二：3D 球员姿态估计 (YOLOv7)\n该功能利用双摄像头视角还原球员 3D 骨骼关键点（模拟 VAR 越位分析）。\n\n**运行示例：**\n```bash\npython pose_estimation_3d.py --cam-id-1 0 --cam-id-2 1 --model yolov7.pt\n```\n- 需提前连接两个摄像头并校准。\n- 系统将实时显示 2D 检测结果及重构后的 3D 姿态。\n\n### 场景三：基于队服颜色分配球队 (GPT-4V)\n该功能利用多模态大模型识别球员队服颜色并自动分队。\n\n**运行示例：**\n```bash\npython team_assignment.py --image_path players.jpg --api-key YOUR_OPENAI_API_KEY\n```\n- 需配置有效的 OpenAI API Key。\n- 脚本将调用 GPT-4V 分析图像，返回球员所属队伍的分类结果。\n\n---\n\n**提示**：具体参数详解及高级用法请参考各子项目目录下的 `README.md` 或对应的 Jupyter Notebook 教程。","某省级足球联赛的数据分析团队正试图从数百场业余比赛录像中，自动提取球员跑动轨迹、越位判定依据及球队战术分布，以辅助教练制定训练计划。\n\n### 没有 sports 时\n- **人工标注成本极高**：分析师需逐帧手动框选球员位置，处理一场 90 分钟的比赛耗时数天，且难以保证连续性。\n- **多目标跟踪频繁丢失**：传统算法在球员密集拼抢或快速交叉跑位时，极易混淆身份，导致轨迹数据断裂或错乱。\n- **战术分析维度单一**：仅能统计基础传球次数，无法通过 3D 姿态估计还原真实的越位瞬间或身体对抗细节。\n- **球队识别依赖人工**：区分主客队球衣颜色需人工介入，面对光照变化或相似配色时，自动化脚本误判率居高不下。\n\n### 使用 sports 后\n- **全流程自动化追踪**：利用 YOLOv5 结合 ByteTrack，sports 能一键生成全场球员连续轨迹，将单场比赛处理时间从数天缩短至分钟级。\n- **复杂场景稳定跟踪**：即使在多人遮挡和高速运动中，sports 也能精准维持球员 ID 一致性，确保跑动热图和距离数据准确无误。\n- **深度战术复盘能力**：通过 YOLOv7 实现的 3D 姿态估计，sports 可复现 VAR 级别的越位分析，并量化球员肢体动作与对抗强度。\n- **智能球队分类**：集成 GPT-4V 视觉能力，sports 能自适应识别不同光照下的球衣颜色，自动将球员归类至对应阵营，无需人工校正。\n\nsports 将原本需要专业团队数周完成的视频分析工作，转化为开发者可快速部署的自动化流程，让业余赛事也能享受职业级的数据洞察。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSkalskiP_sports_163942fb.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],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,546,41,"2026-04-07T16:19:14",null,4,"","未说明（项目涉及 YOLOv5, YOLOv7 及 ByteTrack，通常建议配备支持 CUDA 的 NVIDIA GPU 以加速推理，但文中未明确具体型号或显存要求）","未说明",{"notes":96,"python":94,"dependencies":97},"该项目是一个包含多个子项目的集合（球员追踪、3D 姿态估计、球队颜色分类），分别依赖不同的模型架构。其中 GPT-4V 部分需要 OpenAI API 访问权限。由于 README 主要作为博客和演示视频的索引，具体的环境配置（如 Python 版本、PyTorch 版本等）需参考各子项目链接（如 Roboflow Notebooks 或 GitHub 子目录）中的详细文档。",[98,99,100,101],"YOLOv5","ByteTrack","YOLOv7","GPT-4V",[15,14,35],[104,105,106,107,108,109,110,111,112,113,114,115],"computer-vision","deep-learning","deep-neural-networks","object-detection","pytorch","sports-analytics","tutorial","yolov5","yolov7","gpt-4","gpt-4-vision","prompt-engineering","2026-03-27T02:49:30.150509","2026-04-09T21:35:33.565230",[],[]]