[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ai-forever--Real-ESRGAN":3,"tool-ai-forever--Real-ESRGAN":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",151314,2,"2026-04-11T23:32:58",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":32,"env_os":87,"env_gpu":88,"env_ram":87,"env_deps":89,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":136},6776,"ai-forever\u002FReal-ESRGAN","Real-ESRGAN","PyTorch implementation of Real-ESRGAN model","Real-ESRGAN 是一款基于 PyTorch 开发的开源图像超分辨率工具，旨在将低清晰度图片智能修复为高分辨率版本。它主要解决了现实世界中模糊照片细节丢失、噪点干扰严重的问题，特别是在处理人脸纹理时，相比原始版本能呈现更自然清晰的细节，同时有效去除伪影。\n\n这款工具非常适合开发者集成到图像处理项目中，也适合设计师用于素材增强，或研究人员探索盲超分辨率技术。普通用户若具备基础编程能力，也可通过 Google Colab 快速体验其强大的修复效果。\n\nReal-ESRGAN 的核心亮点在于其独特的训练策略：它完全使用纯合成数据进行训练，却能在真实的复杂场景下表现出色，实现了“盲超分辨率”的突破。这意味着即使面对未知的退化类型（如复杂的压缩噪点或模糊），它也能自适应地恢复图像质感。作为对原版 ESRGAN 的升级，Real-ESRGAN 不仅提升了通用图像的修复质量，还针对人脸等关键区域进行了专门优化，且代码结构更易于调用和部署，是提升图像视觉质量的得力助手。","# Real-ESRGAN\nPyTorch implementation of a Real-ESRGAN model trained on custom dataset. This model shows better results on faces compared to the original version. It is also easier to integrate this model into your projects.\n\n> This is not an official implementation. We partially use code from the [original repository](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FReal-ESRGAN)\n\nReal-ESRGAN is an upgraded [ESRGAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1809.00219) trained with pure synthetic data is capable of enhancing details while removing annoying artifacts for common real-world images. \n\nYou can try it in [google colab](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1YlWt--P9w25JUs8bHBOuf8GcMkx-hocP?usp=sharing) [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1YlWt--P9w25JUs8bHBOuf8GcMkx-hocP?usp=sharing)\n\n- [Paper (Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.10833)\n- [Original implementation](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FReal-ESRGAN)\n- [Huggingface 🤗](https:\u002F\u002Fhuggingface.co\u002Fsberbank-ai\u002FReal-ESRGAN)\n\n### Installation\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fsberbank-ai\u002FReal-ESRGAN.git\n```\n\n### Usage\n\n---\n\nBasic usage:\n\n```python\nimport torch\nfrom PIL import Image\nimport numpy as np\nfrom RealESRGAN import RealESRGAN\n\ndevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')\n\nmodel = RealESRGAN(device, scale=4)\nmodel.load_weights('weights\u002FRealESRGAN_x4.pth', download=True)\n\npath_to_image = 'https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_23e7ad5bd0ff.png'\nimage = Image.open(path_to_image).convert('RGB')\n\nsr_image = model.predict(image)\n\nsr_image.save('https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_4a8ae728009a.png')\n```\n\n### Examples\n\n---\n\nLow quality image:\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_23e7ad5bd0ff.png)\n\nReal-ESRGAN result:\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_4a8ae728009a.png)\n\n---\n\nLow quality image:\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_740d38ce62c1.png)\n\nReal-ESRGAN result:\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_b6215e188709.png)\n\n---\n\nLow quality image:\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_a16cbcc15375.png)\n\nReal-ESRGAN result:\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_50fc62f1e66b.png)\n","# Real-ESRGAN\n基于自定义数据集训练的 Real-ESRGAN 模型的 PyTorch 实现。与原版相比，该模型在人脸图像上表现更佳，并且更容易集成到您的项目中。\n\n> 这并非官方实现。我们部分使用了 [原始仓库](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FReal-ESRGAN) 中的代码。\n\nReal-ESRGAN 是对 [ESRGAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1809.00219) 的升级版本，它使用纯合成数据进行训练，能够在增强细节的同时去除常见真实世界图像中的恼人伪影。\n\n您可以在 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1YlWt--P9w25JUs8bHBOuf8GcMkx-hocP?usp=sharing) 中试用：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1YlWt--P9w25JUs8bHBOuf8GcMkx-hocP?usp=sharing)\n\n- [论文（Real-ESRGAN：使用纯合成数据训练真实世界盲超分辨率）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.10833)\n- [原始实现](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FReal-ESRGAN)\n- [Hugging Face 🤗](https:\u002F\u002Fhuggingface.co\u002Fsberbank-ai\u002FReal-ESRGAN)\n\n### 安装\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fsberbank-ai\u002FReal-ESRGAN.git\n```\n\n### 使用\n\n---\n\n基本用法：\n\n```python\nimport torch\nfrom PIL import Image\nimport numpy as np\nfrom RealESRGAN import RealESRGAN\n\ndevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')\n\nmodel = RealESRGAN(device, scale=4)\nmodel.load_weights('weights\u002FRealESRGAN_x4.pth', download=True)\n\npath_to_image = 'https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_23e7ad5bd0ff.png'\nimage = Image.open(path_to_image).convert('RGB')\n\nsr_image = model.predict(image)\n\nsr_image.save('https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_4a8ae728009a.png')\n```\n\n### 示例\n\n---\n\n低质量图像：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_23e7ad5bd0ff.png)\n\nReal-ESRGAN 处理结果：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_4a8ae728009a.png)\n\n---\n\n低质量图像：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_740d38ce62c1.png)\n\nReal-ESRGAN 处理结果：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_b6215e188709.png)\n\n---\n\n低质量图像：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_a16cbcc15375.png)\n\nReal-ESRGAN 处理结果：\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_readme_50fc62f1e66b.png)","# Real-ESRGAN 快速上手指南\n\nReal-ESRGAN 是一个基于 PyTorch 的图像超分辨率模型，专为真实世界图像设计。相比原版，该版本在人脸细节修复上表现更佳，且更易于集成到项目中。它能够有效去除伪影并增强图像细节。\n\n## 环境准备\n\n*   **系统要求**：支持 Linux、macOS 或 Windows。\n*   **硬件建议**：推荐使用 NVIDIA GPU 以获得最佳推理速度（需安装 CUDA），CPU 亦可运行但速度较慢。\n*   **前置依赖**：\n    *   Python 3.7+\n    *   PyTorch\n    *   Pillow (PIL)\n    *   NumPy\n\n> **提示**：国内用户建议在安装 PyTorch 时使用清华或中科大镜像源，以加速下载。例如：\n> `pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n直接使用 pip 从 GitHub 仓库安装最新版本：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fsberbank-ai\u002FReal-ESRGAN.git\n```\n\n> **注意**：如果直接连接 GitHub 较慢，可尝试配置 Git 代理或使用国内代码托管平台的镜像（如有）。\n\n## 基本使用\n\n以下是最简单的 Python 调用示例，可实现 4 倍超分辨率重建：\n\n```python\nimport torch\nfrom PIL import Image\nimport numpy as np\nfrom RealESRGAN import RealESRGAN\n\n# 自动检测并使用 GPU，若无则使用 CPU\ndevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')\n\n# 初始化模型，设置放大倍率为 4\nmodel = RealESRGAN(device, scale=4)\n\n# 加载预训练权重（设置 download=True 会自动下载）\nmodel.load_weights('weights\u002FRealESRGAN_x4.pth', download=True)\n\n# 读取低分辨率图像\npath_to_image = 'inputs\u002Flr_image.png'\nimage = Image.open(path_to_image).convert('RGB')\n\n# 执行超分辨率预测\nsr_image = model.predict(image)\n\n# 保存结果\nsr_image.save('results\u002Fsr_image.png')\n```\n\n运行上述代码后，处理完成的高清图片将保存在 `results\u002F` 目录下。","一家数字档案馆正在抢救一批 90 年代的低分辨率家庭录像截图，计划将其用于高清纪录片制作，但原始素材模糊且充满噪点。\n\n### 没有 Real-ESRGAN 时\n- 传统放大算法（如双三次插值）仅增加像素数量，导致人脸和纹理边缘出现严重锯齿和模糊，无法达到播出标准。\n- 图像中固有的压缩伪影（如块状噪声）在放大后被成倍放大，画面显得脏乱，后期修图师需逐帧手动修复，耗时极长。\n- 面对成千上万张历史照片，缺乏自动化批处理方案，人工精修成本高昂且周期不可控。\n- 通用超分模型在处理真实世界的复杂退化时表现不佳，常产生不自然的“塑料感”或错误的纹理细节。\n\n### 使用 Real-ESRGAN 后\n- Real-ESRGAN 基于纯合成数据训练，能智能重建高频细节，将低清截图无损放大 4 倍，人物发丝与衣物纹理清晰可见。\n- 该工具在增强细节的同时有效去除了恼人的压缩伪影和噪点，输出画面干净自然，大幅减少了人工修图工作量。\n- 通过简单的 Python 脚本即可实现批量自动化处理，原本需要数周的工作量缩短至几小时完成。\n- 针对人脸优化的版本特别适用于老照片修复，能还原逼真的面部特征，避免了其他模型常见的五官扭曲问题。\n\nReal-ESRGAN 通过将低质历史影像转化为广播级高清素材，以极低的技术门槛实现了档案数字化效率与质量的双重飞跃。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fai-forever_Real-ESRGAN_4a8ae728.png","ai-forever","AI Forever","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fai-forever_bcdbdce7.jpg","Creating ML for the future. AI projects you already know. We are non-profit organization with members from all over the world.",null,"https:\u002F\u002Fgithub.com\u002Fai-forever",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,638,221,"2026-04-09T18:47:22","BSD-3-Clause","未说明","可选（代码自动检测：若有 CUDA 则使用 GPU，否则使用 CPU）；具体型号、显存大小及 CUDA 版本未在文档中明确说明",{"notes":90,"python":87,"dependencies":91},"该工具支持自动切换运行设备，若检测到 NVIDIA GPU 则使用 CUDA 加速，否则回退至 CPU 运行。首次运行时可通过代码参数自动下载预训练权重文件。文档提供了 Google Colab 在线试用链接，表明其兼容云端 GPU 环境。",[92,93,94],"torch","PIL (Pillow)","numpy",[14,15],[97,98,99,100,101,102],"python","pytorch","super-resolution","esrgan","real-world-super-resolution","real-esrgan","2026-03-27T02:49:30.150509","2026-04-12T09:08:41.878088",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},30563,"如何安装 Real-ESRGAN？","可以通过 pip 直接安装：\npip install git+https:\u002F\u002Fgithub.com\u002Fsberbank-ai\u002FReal-ESRGAN.git","https:\u002F\u002Fgithub.com\u002Fai-forever\u002FReal-ESRGAN\u002Fissues\u002F10",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},30564,"加载 RealESRGAN_x8.pth 模型时出现 'Unexpected key(s) in state_dict' 错误怎么办？","这是因为初始化模型时的缩放比例（scale）参数设置不正确。加载 x8 模型时，必须将 scale 参数设置为 8。\n正确代码示例：\nmodel = RealESRGAN(device, scale=8)","https:\u002F\u002Fgithub.com\u002Fai-forever\u002FReal-ESRGAN\u002Fissues\u002F5",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},30565,"项目的许可证是什么？可以用于商业用途吗？","本项目采用 Apache-2.0 许可证。您可以将此代码用于商业应用程序，但需要在您的项目中包含对本仓库的引用。","https:\u002F\u002Fgithub.com\u002Fai-forever\u002FReal-ESRGAN\u002Fissues\u002F3",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},30566,"导入时出现 'cannot import name cached_download from huggingface_hub' 错误如何解决？","这是由于 huggingface_hub 版本不兼容导致的。请强制重新安装特定版本来解决：\npip3 install huggingface_hub==0.10.1 --force-reinstall","https:\u002F\u002Fgithub.com\u002Fai-forever\u002FReal-ESRGAN\u002Fissues\u002F44",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},30567,"在哪里可以找到微调或训练模型的代码和教程？","官方训练指南和微调代码位于 Real-ESRGAN 主仓库的文档中。\n链接地址：https:\u002F\u002Fgithub.com\u002Fxinntao\u002FReal-ESRGAN\u002Fblob\u002Fmaster\u002Fdocs\u002FTraining.md#Finetune-Real-ESRGAN-on-your-own-dataset","https:\u002F\u002Fgithub.com\u002Fai-forever\u002FReal-ESRGAN\u002Fissues\u002F6",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},30568,"如何在 Colab 中处理视频超分或批量处理图片？","如果遇到 FileNotFoundError 且路径中包含通配符（如 img%4d.jpg），通常是因为 Python 的 Image.open 无法直接识别通配符路径。您需要确保文件路径正确，或者编写循环逐个读取序列帧图片，而不是直接传递带通配符的路径字符串。","https:\u002F\u002Fgithub.com\u002Fai-forever\u002FReal-ESRGAN\u002Fissues\u002F1",[]]