[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Yuliang-Liu--Curve-Text-Detector":3,"tool-Yuliang-Liu--Curve-Text-Detector":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",144730,2,"2026-04-07T23:26:32",[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。",107888,"2026-04-06T11:32:50",[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":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":119,"forks":120,"last_commit_at":121,"license":77,"difficulty_score":122,"env_os":123,"env_gpu":124,"env_ram":124,"env_deps":125,"category_tags":128,"github_topics":129,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":134,"updated_at":135,"faqs":136,"releases":177},5337,"Yuliang-Liu\u002FCurve-Text-Detector","Curve-Text-Detector","This repository provides train＆test code, dataset, det.&rec. annotation, evaluation script, annotation tool, and ranking.","Curve-Text-Detector 是一个专注于弯曲文本检测与识别的开源项目，旨在解决自然场景中不规则、弧形文字难以被传统算法准确捕捉的难题。它核心提供了针对 SCUT-CTW1500 数据集的完整训练与测试代码、标注工具及评估脚本，特别支持对每个字符进行关键点标注，从而大幅提升对复杂形态文本的定位精度。\n\n该项目主要面向计算机视觉领域的研究人员和开发者，尤其是那些从事场景文本检测（Scene Text Detection）或端到端文字识别研究的团队。其独特的技术亮点在于引入了针对弯曲文本的精细化标注体系，并提供了适配 Total-text 等主流数据集的评估方案，方便研究者进行横向对比。需要注意的是，当前版本已停止维护，且数据集中中文部分仅作为忽略项处理，更适合用于英文或通用弧形文本的研究基准。对于需要处理任意形状文本检测任务的学术探索者而言，Curve-Text-Detector 依然是一个具有参考价值的经典资源库。","\n# SCUT-CTW1500 Datasets \n**We have updated annotations for both train and test set.** \n\nTrain: 1000 images [[images]](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fpy5uwlfyyytbb2pxzq9czvu6fuqbjdh8.zip)[[annos]](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fjikuazluzyj4lq6umzei7m2ppmt3afyw.zip) \n\nAdditional point annotation for each character is included. Example can be referred to [here](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Ftree\u002Fmaster\u002Fdata).\n\n```\nwget -O train_images.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fpy5uwlfyyytbb2pxzq9czvu6fuqbjdh8.zip\nwget -O train_labels.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fjikuazluzyj4lq6umzei7m2ppmt3afyw.zip\n```\n\nTest: 500 images [[images]](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Ft4w48ofnqkdw7jyc4t11nsukoeqk9c3d.zip)[[annos]](https:\u002F\u002Fcloudstor.aarnet.edu.au\u002Fplus\u002Fs\u002FuoeFl0pCN9BOCN5) \n```\nwget -O test_images.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Ft4w48ofnqkdw7jyc4t11nsukoeqk9c3d.zip\nwget -O test_labels.zip https:\u002F\u002Fcloudstor.aarnet.edu.au\u002Fplus\u002Fs\u002FuoeFl0pCN9BOCN5\u002Fdownload\n```\n\n*Note all Chinese texts are annotated with '###' (ignore) in this updated version, because the number of Chinese is too small for both training and testing purpose. [ArT](http:\u002F\u002Frrc.cvc.uab.es\u002F?ch=14) and [LSVT](https:\u002F\u002Frrc.cvc.uab.es\u002F?ch=16) two optional large-scale arbitrarily-shaped text benchmarks for both Chinese and English.* \n\n# SCUT-CTW1500 Evaluation\nOriginal detection only [evaluation script](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FTIoU-metric\u002Ftree\u002Fmaster\u002Fcurved-tiou). \n\nFor both detection and end-to-end evaluation in the updated version, please refer to [here](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fys234cg1rtgke051hu33lbm5ri0bvxr0.zip). This scipt also includes evaluation example for [Total-text](https:\u002F\u002Fgithub.com\u002Fcs-chan\u002FTotal-Text-Dataset).\n\n\n# Info\nThe project is outdated and will not be maintained anymore. Original info is kept in [OLD_README.md](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Ftree\u002Fmaster\u002FOLD_README.md).\n\n\n## Copyright\nThe SCUT-CTW1500 database is free to the academic community for research only.\n\nFor other purpose, please contact Dr. Lianwen Jin: [eelwjin@scut.edu.cn](eelwjin@scut.edu.cn)\n","# SCUT-CTW1500 数据集\n**我们已更新了训练集和测试集的标注。**\n\n训练集：1000张图像 [[图片]](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fpy5uwlfyyytbb2pxzq9czvu6fuqbjdh8.zip) [[标注]](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fjikuazluzyj4lq6umzei7m2ppmt3afyw.zip)\n\n每个字符都增加了额外的点级标注。示例请参考 [这里](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Ftree\u002Fmaster\u002Fdata)。\n\n```\nwget -O train_images.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fpy5uwlfyyytbb2pxzq9czvu6fuqbjdh8.zip\nwget -O train_labels.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fjikuazluzyj4lq6umzei7m2ppmt3afyw.zip\n```\n\n测试集：500张图像 [[图片]](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Ft4w48ofnqkdw7jyc4t11nsukoeqk9c3d.zip) [[标注]](https:\u002F\u002Fcloudstor.aarnet.edu.au\u002Fplus\u002Fs\u002FuoeFl0pCN9BOCN5)\n```\nwget -O test_images.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Ft4w48ofnqkdw7jyc4t11nsukoeqk9c3d.zip\nwget -O test_labels.zip https:\u002F\u002Fcloudstor.aarnet.edu.au\u002Fplus\u002Fs\u002FuoeFl0pCN9BOCN5\u002Fdownload\n```\n\n*请注意，在这个更新版本中，所有中文文本都被标注为‘###’（忽略），因为无论是用于训练还是测试，中文的数量都太少。[ArT](http:\u002F\u002Frrc.cvc.uab.es\u002F?ch=14) 和 [LSVT](https:\u002F\u002Frrc.cvc.uab.es\u002F?ch=16) 是两个可选的大规模任意形状文本基准数据集，分别适用于中文和英文。*\n\n# SCUT-CTW1500 评估\n仅检测任务的原始评估脚本 [在这里](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FTIoU-metric\u002Ftree\u002Fmaster\u002Fcurved-tiou)。\n\n对于更新版本中的检测与端到端联合评估，请参考 [这里](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fys234cg1rtgke051hu33lbm5ri0bvxr0.zip)。该脚本还包含了针对 [Total-text](https:\u002F\u002Fgithub.com\u002Fcs-chan\u002FTotal-Text-Dataset) 的评估示例。\n\n# 信息\n该项目已过时，将不再维护。原始信息保留在 [OLD_README.md](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Ftree\u002Fmaster\u002FOLD_README.md) 中。\n\n## 版权\nSCUT-CTW1500 数据库仅供学术界进行研究使用。\n\n如需其他用途，请联系金连文博士：[eelwjin@scut.edu.cn](eelwjin@scut.edu.cn)","# Curve-Text-Detector 快速上手指南\n\n> **注意**：本项目已停止维护（Outdated），以下指南基于原始仓库信息整理，仅供学术研究与参考。\n\n## 环境准备\n\n*   **系统要求**：Linux 或 macOS（Windows 用户建议使用 WSL 或 Docker）。\n*   **前置依赖**：\n    *   Python 3.x\n    *   Git\n    *   基础深度学习框架（原项目通常基于 TensorFlow 或 PyTorch，具体版本需参考 `OLD_README.md` 或源码中的 `requirements.txt`）。\n    *   `wget` 工具（用于下载数据集）。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector.git\ncd Curve-Text-Detector\n```\n\n### 2. 下载 SCUT-CTW1500 数据集\n该项目主要使用 SCUT-CTW1500 数据集进行弯曲文本检测训练与测试。请使用以下命令下载更新后的标注数据（包含每个字符的额外点标注）。\n\n**下载训练集：**\n```bash\nwget -O train_images.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fpy5uwlfyyytbb2pxzq9czvu6fuqbjdh8.zip\nwget -O train_labels.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fjikuazluzyj4lq6umzei7m2ppmt3afyw.zip\n```\n\n**下载测试集：**\n```bash\nwget -O test_images.zip https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Ft4w48ofnqkdw7jyc4t11nsukoeqk9c3d.zip\nwget -O test_labels.zip https:\u002F\u002Fcloudstor.aarnet.edu.au\u002Fplus\u002Fs\u002FuoeFl0pCN9BOCN5\u002Fdownload\n```\n\n**解压数据：**\n下载完成后，请将压缩包解压至项目指定的 `data` 目录（具体目录结构请参考项目内示例）。\n\n> **提示**：由于下载源位于海外，国内开发者若下载速度较慢，可尝试使用代理加速或寻找国内镜像源。\n\n## 基本使用\n\n### 1. 数据说明\n*   **训练集**：1000 张图片，包含更新的标注文件。\n*   **测试集**：500 张图片。\n*   **特殊说明**：在更新版本中，所有中文文本标注已被标记为 `###`（忽略），因为中英文混合数据量对于训练和测试目的而言过少。如需大规模任意形状文本基准（含中英文），建议参考 [ArT](http:\u002F\u002Frrc.cvc.uab.es\u002F?ch=14) 和 [LSVT](https:\u002F\u002Frrc.cvc.uab.es\u002F?ch=16) 数据集。\n\n### 2. 模型评估\n*   **原始检测评估**：使用原有的 TIoU 度量脚本。\n    *   地址：[curved-tiou evaluation script](https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FTIoU-metric\u002Ftree\u002Fmaster\u002Fcurved-tiou)\n*   **新版综合评估**：包含检测及端到端（End-to-End）评估脚本，同时也支持 [Total-text](https:\u002F\u002Fgithub.com\u002Fcs-chan\u002FTotal-Text-Dataset) 数据集的评估示例。\n    *   下载地址：[Evaluation Script Zip](https:\u002F\u002Funiversityofadelaide.box.com\u002Fshared\u002Fstatic\u002Fys234cg1rtgke051hu33lbm5ri0bvxr0.zip)\n\n### 3. 运行示例\n由于项目已停止维护且核心训练\u002F推理脚本细节存储在 `OLD_README.md` 中，建议先查阅该文件获取具体的 Python 启动命令。通常流程如下：\n\n1.  配置数据集路径到相应的配置文件。\n2.  运行训练脚本（例如 `python train.py`）。\n3.  运行测试脚本并使用上述评估工具计算指标。\n\n---\n**版权说明**：SCUT-CTW1500 数据库仅免费提供给学术界用于研究目的。如需用于其他用途，请联系金连文博士 (eelwjin@scut.edu.cn)。","某智慧城市项目组正在开发一套自动识别街头弯曲招牌（如弧形店名、波浪形标语）的监控系统，以辅助城市管理和商业分析。\n\n### 没有 Curve-Text-Detector 时\n- 传统直线检测算法无法贴合弯曲文本形状，导致招牌文字被截断或漏检，识别率极低。\n- 团队需人工逐帧标注弯曲文本的关键点，耗时数周且难以保证标注一致性，严重拖慢模型迭代。\n- 缺乏针对任意形状文本的专用评估脚本，无法量化模型在弯曲场景下的真实性能，优化方向模糊。\n- 现有公开数据集多针对水平文本，缺少高质量的弯曲文本训练数据，模型泛化能力差。\n\n### 使用 Curve-Text-Detector 后\n- 利用其提供的 SCUT-CTW1500 数据集及训练代码，模型能精准定位并分割弧形、波浪形等复杂文本区域。\n- 直接复用官方更新的高精度关键点标注（含每个字符的额外点位），将数据准备时间从数周缩短至几天。\n- 借助配套的检测与端到端评估脚本，可快速验证模型在弯曲文本上的准确率，明确调优路径。\n- 基于大规模任意形状文本基准（如 ArT、LSVT）的兼容性，轻松扩展支持中英文混合的复杂街景识别。\n\nCurve-Text-Detector 通过提供专用的数据集、标注工具和评估体系，彻底解决了弯曲文本检测中数据匮乏与评估缺失的核心难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYuliang-Liu_Curve-Text-Detector_a1dc29ce.png","Yuliang-Liu","Yuliang Liu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FYuliang-Liu_3ad9011a.png","\"Reality is merely an illusion, albeit a very persistent one\" \r\n-  Albert Einstein","Huazhong University of Science and Technology",null,"ylliu@hust.edu.cn","https:\u002F\u002Fgithub.com\u002FYuliang-Liu",[81,85,89,93,97,101,105,109,112,116],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",55.7,{"name":86,"color":87,"percentage":88},"C++","#f34b7d",33.2,{"name":90,"color":91,"percentage":92},"Python","#3572A5",5.8,{"name":94,"color":95,"percentage":96},"Cuda","#3A4E3A",3.1,{"name":98,"color":99,"percentage":100},"CMake","#DA3434",1.1,{"name":102,"color":103,"percentage":104},"MATLAB","#e16737",0.4,{"name":106,"color":107,"percentage":108},"Shell","#89e051",0.3,{"name":110,"color":111,"percentage":108},"Makefile","#427819",{"name":113,"color":114,"percentage":115},"CSS","#663399",0.1,{"name":117,"color":118,"percentage":115},"HTML","#e34c26",652,157,"2026-01-28T02:52:33",4,"","未说明",{"notes":126,"python":124,"dependencies":127},"该项目已停止维护（outdated），README 中主要提供数据集（SCUT-CTW1500）的下载链接和评估脚本信息，未包含具体的代码运行环境、依赖库或安装指南。详细原始信息需参考项目中的 OLD_README.md 文件。此外，数据集中所有中文文本标注为'###'（忽略），因数量过少不适用于训练或测试。",[],[14,15],[130,131,132,133],"deep-learning","document-analysis","object-detection","scene-text","2026-03-27T02:49:30.150509","2026-04-08T12:13:02.142726",[137,142,147,152,157,162,167,172],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},24203,"无法从百度网盘下载模型或数据集（尤其是海外用户），有其他下载方式吗？","维护者提供了 OneDrive 备用下载链接供无法访问百度网盘的用户使用。链接地址为：https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AradqGvJ8EbtbiPjNwDgzjms0Vg","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F7",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},24198,"运行 demo.py 时出现 'QObject::moveToThread' 线程警告，这是正常现象吗？","这通常是由于 OpenCV 版本不兼容或 Qt 后端配置引起的警告。如果遇到此问题且无法降级 OpenCV，请检查您的 Python 版本是否与所需的 opencv-python 版本（如 4.3.0.36）兼容。某些 OpenCV 版本仅支持特定的 Python 版本。您可以访问 PyPI 页面核对版本兼容性：https:\u002F\u002Fpypi.org\u002Fproject\u002Fopencv-python\u002F4.3.0.36\u002F","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F11",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},24199,"CTW-1500 数据集的标注文件（CTW-1500-reg-label.zip 和 ctw1500.zip）中实例数量不一致怎么办？","维护者已确认存在标注不一致的问题，并暂时关闭了识别标签文件（CTW-1500-reg-label.zip）的下载链接。建议暂时不要使用该文件，等待维护者更新完成后再使用。","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F41",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},24200,"CTW1500 数据集的 14 点标注格式具体是什么样的？如何解析这些坐标？","标注格式包含 32 个数值：前 4 个值是外接矩形的 xmin, ymin, xmax, ymax；剩余的 28 个值是 14 个关键点相对于矩形左上角的偏移量 (pw_1, ph_1, ..., pw_14, ph_14)。计算实际坐标的公式为：x_i = x_min + pw_i，y_i = y_min + ph_i。这些点用于描述曲线文本的边界。","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F27",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},24201,"评测结果 txt 文件中，每个检测框的坐标格式有什么要求？必须在一行吗？","是的，每个检测框的所有坐标必须写在同一行内。具体的格式可以参考项目中提供的示例文件或官方评测工具 TIoU-metric 中的样例：https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FTIoU-metric\u002Ftree\u002Fmaster\u002Fcurved-tiou","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F40",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},24202,"如何将 Total-Text 或其他数据集的标注转换为 CTW1500 的 14 点格式？","转换步骤如下：\n1. 使用 cv2.fillPoly 在原图大小的空白图像上绘制文本框多边形。\n2. 使用 cv2.findContours 提取边界坐标集合。\n3. 在边界坐标集合中，按等相位间隔（equal-phase interval）选取 14 个点作为最终标注。\n这种方法可以保留文本的阅读顺序并统一点数。","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F36",{"id":168,"question_zh":169,"answer_zh":170,"source_url":171},24204,"CTW1500 标注中的 14 个点是否遵循顺时针或逆时针顺序？读取顺序是怎样的？","是的，标注点遵循文本的阅读顺序。对于水平或弯曲文本，点的排列顺序对应于人眼阅读该文本的自然顺序（例如从左到右，沿着文本曲线）。这在可视化时表现为点沿着文本中心线或边缘按阅读流向排列。","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F38",{"id":173,"question_zh":174,"answer_zh":175,"source_url":176},24205,"代码中计算 Precision 和 Recall 的方法与 MLT2017 论文描述的不一致（是全局计算还是逐图平均）？","代码中采用的是累积所有测试图像的 tp（真阳性）和 fp（假阳性），然后在最后统一计算精确率和召回率。维护者认为这种方法（方法 1）比逐图计算后取平均（方法 2）更好，能减少离群值的影响，且文献中多基于此方法。虽然与部分论文描述的逐图平均不同，但这是该项目采用的标准评估逻辑。","https:\u002F\u002Fgithub.com\u002FYuliang-Liu\u002FCurve-Text-Detector\u002Fissues\u002F39",[]]