[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-allanzelener--YAD2K":3,"tool-allanzelener--YAD2K":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",150037,2,"2026-04-10T23:33:47",[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。",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":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":78,"owner_email":76,"owner_twitter":73,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":90,"env_deps":92,"category_tags":102,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":136},6453,"allanzelener\u002FYAD2K","YAD2K","YAD2K: Yet Another Darknet 2 Keras","YAD2K（Yet Another Darknet 2 Keras）是一款专为计算机视觉开发者设计的开源转换工具，核心功能是将基于 Darknet 框架训练的 YOLO_v2 目标检测模型无缝迁移至 Keras 与 TensorFlow 生态。它有效解决了研究人员在复现经典算法时面临的框架壁垒问题，让用户无需从零重写神经网络代码，即可利用成熟的 Keras 接口进行模型加载、可视化、测试及二次训练。\n\n该工具特别适合熟悉 Python 的 AI 工程师、学术研究者以及希望快速部署 YOLO_v2 模型的开发者。其技术亮点在于高度还原了原始论文中的网络结构，支持包括 tiny-yolo-voc、yolo-voc 等多种配置，并巧妙利用 TensorFlow 底层算子（如 `tf.space_to_depth`）实现了 Darknet 特有的 Passthrough 层和非极大值抑制（NMS），确保了转换后模型的精度与性能。此外，YAD2K 还附带了将 Pascal VOC 数据集转换为 HDF5 或 TFRecords 格式的实用脚本，进一步简化了数据预处理流程。作为一个轻量级且专注的转","YAD2K（Yet Another Darknet 2 Keras）是一款专为计算机视觉开发者设计的开源转换工具，核心功能是将基于 Darknet 框架训练的 YOLO_v2 目标检测模型无缝迁移至 Keras 与 TensorFlow 生态。它有效解决了研究人员在复现经典算法时面临的框架壁垒问题，让用户无需从零重写神经网络代码，即可利用成熟的 Keras 接口进行模型加载、可视化、测试及二次训练。\n\n该工具特别适合熟悉 Python 的 AI 工程师、学术研究者以及希望快速部署 YOLO_v2 模型的开发者。其技术亮点在于高度还原了原始论文中的网络结构，支持包括 tiny-yolo-voc、yolo-voc 等多种配置，并巧妙利用 TensorFlow 底层算子（如 `tf.space_to_depth`）实现了 Darknet 特有的 Passthrough 层和非极大值抑制（NMS），确保了转换后模型的精度与性能。此外，YAD2K 还附带了将 Pascal VOC 数据集转换为 HDF5 或 TFRecords 格式的实用脚本，进一步简化了数据预处理流程。作为一个轻量级且专注的转换器，YAD2K 站在众多开源巨人的肩膀上，为社区提供了一条高效复用经典目标检测模型的技术捷径。","# YAD2K: Yet Another Darknet 2 Keras\n\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg)](LICENSE)\n\n## Welcome to YAD2K\n\nYou only look once, but you reimplement neural nets over and over again.\n\nYAD2K is a 90% Keras\u002F10% Tensorflow implementation of YOLO_v2.\n\nOriginal paper: [YOLO9000: Better, Faster, Stronger](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.08242) by Joseph Redmond and Ali Farhadi.\n\n![YOLO_v2 COCO model with test_yolo defaults](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallanzelener_YAD2K_readme_e67ba13c477b.jpg)\n\n--------------------------------------------------------------------------------\n\n## Requirements\n\n- [Keras](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras)\n- [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n- [Numpy](http:\u002F\u002Fwww.numpy.org\u002F)\n- [h5py](http:\u002F\u002Fwww.h5py.org\u002F) (For Keras model serialization.)\n- [Pillow](https:\u002F\u002Fpillow.readthedocs.io\u002F) (For rendering test results.)\n- [Python 3](https:\u002F\u002Fwww.python.org\u002F)\n- [pydot-ng](https:\u002F\u002Fgithub.com\u002Fpydot\u002Fpydot-ng) (Optional for plotting model.)\n\n### Installation\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fallanzelener\u002Fyad2k.git\ncd yad2k\n\n# [Option 1] To replicate the conda environment:\nconda env create -f environment.yml\nsource activate yad2k\n# [Option 2] Install everything globaly.\npip install numpy h5py pillow\npip install tensorflow-gpu  # CPU-only: conda install -c conda-forge tensorflow\npip install keras # Possibly older release: conda install keras\n```\n\n## Quick Start\n\n- Download Darknet model cfg and weights from the [official YOLO website](http:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F).\n- Convert the Darknet YOLO_v2 model to a Keras model.\n- Test the converted model on the small test set in `images\u002F`.\n\n```bash\nwget http:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolo.weights\nwget https:\u002F\u002Fraw.githubusercontent.com\u002Fpjreddie\u002Fdarknet\u002Fmaster\u002Fcfg\u002Fyolo.cfg\n.\u002Fyad2k.py yolo.cfg yolo.weights model_data\u002Fyolo.h5\n.\u002Ftest_yolo.py model_data\u002Fyolo.h5  # output in images\u002Fout\u002F\n```\n\nSee `.\u002Fyad2k.py --help` and `.\u002Ftest_yolo.py --help` for more options.\n\n--------------------------------------------------------------------------------\n\n## More Details\n\nThe YAD2K converter currently only supports YOLO_v2 style models, this include the following configurations: `darknet19_448`, `tiny-yolo-voc`, `yolo-voc`, and `yolo`.\n\n`yad2k.py -p` will produce a plot of the generated Keras model. For example see [yolo.png](etc\u002Fyolo.png).\n\nYAD2K assumes the Keras backend is Tensorflow. In particular for YOLO_v2 models with a passthrough layer, YAD2K uses `tf.space_to_depth` to implement the passthrough layer. The evaluation script also directly uses Tensorflow tensors and uses `tf.non_max_suppression` for the final output.\n\n`voc_conversion_scripts` contains two scripts for converting the Pascal VOC image dataset with XML annotations to either HDF5 or TFRecords format for easier training with Keras or Tensorflow.\n\n`yad2k\u002Fmodels` contains reference implementations of Darknet-19 and YOLO_v2.\n\n`train_overfit` is a sample training script that overfits a YOLO_v2 model to a single image from the Pascal VOC dataset.\n\n## Known Issues and TODOs\n\n- Expand sample training script to train YOLO_v2 reference model on full dataset.\n- Support for additional Darknet layer types.\n- Tuck away the Tensorflow dependencies with Keras wrappers where possible.\n- YOLO_v2 model does not support fully convolutional mode. Current implementation assumes 1:1 aspect ratio images.\n\n## Darknets of Yore\n\nYAD2K stands on the shoulders of giants.\n\n- :fire: [Darknet](https:\u002F\u002Fgithub.com\u002Fpjreddie\u002Fdarknet) :fire:\n- [Darknet.Keras](https:\u002F\u002Fgithub.com\u002Fsunshineatnoon\u002FDarknet.keras) - The original D2K for YOLO_v1.\n- [Darkflow](https:\u002F\u002Fgithub.com\u002Fthtrieu\u002Fdarkflow) - Darknet directly to Tensorflow.\n- [caffe-yolo](https:\u002F\u002Fgithub.com\u002Fxingwangsfu\u002Fcaffe-yolo) - YOLO_v1 to Caffe.\n- [yolo2-pytorch](https:\u002F\u002Fgithub.com\u002Flongcw\u002Fyolo2-pytorch) - YOLO_v2 in PyTorch.\n\n--------------------------------------------------------------------------------\n","# YAD2K：又一个 Darknet 转 Keras 的实现\n\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg)](LICENSE)\n\n## 欢迎使用 YAD2K\n\n你只看一次，却一遍又一遍地重新实现神经网络。\n\nYAD2K 是 YOLO_v2 的一种 90% Keras\u002F10% Tensorflow 实现。\n\n原始论文：Joseph Redmond 和 Ali Farhadi 的 [YOLO9000: 更好、更快、更强](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.08242)。\n\n![YOLO_v2 COCO 模型，使用 test_yolo 默认设置](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallanzelener_YAD2K_readme_e67ba13c477b.jpg)\n\n--------------------------------------------------------------------------------\n\n## 需求\n\n- [Keras](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras)\n- [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n- [NumPy](http:\u002F\u002Fwww.numpy.org\u002F)\n- [h5py](http:\u002F\u002Fwww.h5py.org\u002F)（用于 Keras 模型序列化）\n- [Pillow](https:\u002F\u002Fpillow.readthedocs.io\u002F)（用于渲染测试结果）\n- [Python 3](https:\u002F\u002Fwww.python.org\u002F)\n- [pydot-ng](https:\u002F\u002Fgithub.com\u002Fpydot\u002Fpydot-ng)（可选，用于绘制模型）\n\n### 安装\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fallanzelener\u002Fyad2k.git\ncd yad2k\n\n# [选项 1] 复制 conda 环境：\nconda env create -f environment.yml\nsource activate yad2k\n# [选项 2] 全局安装所有依赖。\npip install numpy h5py pillow\npip install tensorflow-gpu  # 仅 CPU：conda install -c conda-forge tensorflow\npip install keras # 或许是旧版本：conda install keras\n```\n\n## 快速开始\n\n- 从 [官方 YOLO 网站](http:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F) 下载 Darknet 模型的 cfg 文件和权重文件。\n- 将 Darknet YOLO_v2 模型转换为 Keras 模型。\n- 在 `images\u002F` 中的小型测试集上测试转换后的模型。\n\n```bash\nwget http:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolo.weights\nwget https:\u002F\u002Fraw.githubusercontent.com\u002Fpjreddie\u002Fdarknet\u002Fmaster\u002Fcfg\u002Fyolo.cfg\n.\u002Fyad2k.py yolo.cfg yolo.weights model_data\u002Fyolo.h5\n.\u002Ftest_yolo.py model_data\u002Fyolo.h5  # 输出在 images\u002Fout\u002F\n```\n\n更多选项请参阅 `.\u002Fyad2k.py --help` 和 `.\u002Ftest_yolo.py --help`。\n\n--------------------------------------------------------------------------------\n\n## 更多细节\n\n目前 YAD2K 转换器仅支持 YOLO_v2 风格的模型，包括以下配置：`darknet19_448`、`tiny-yolo-voc`、`yolo-voc` 和 `yolo`。\n\n`yad2k.py -p` 会生成所生成 Keras 模型的图表。例如，请参阅 [yolo.png](etc\u002Fyolo.png)。\n\nYAD2K 假设 Keras 后端为 TensorFlow。特别是对于带有直通层的 YOLO_v2 模型，YAD2K 使用 `tf.space_to_depth` 来实现直通层。评估脚本也直接使用 TensorFlow 张量，并使用 `tf.non_max_suppression` 作为最终输出。\n\n`voc_conversion_scripts` 包含两个脚本，用于将 Pascal VOC 图像数据集及其 XML 注释转换为 HDF5 或 TFRecords 格式，以便于使用 Keras 或 TensorFlow 进行训练。\n\n`yad2k\u002Fmodels` 包含 Darknet-19 和 YOLO_v2 的参考实现。\n\n`train_overfit` 是一个示例训练脚本，用于将 YOLO_v2 模型过拟合到 Pascal VOC 数据集中的一张图像。\n\n## 已知问题与待办事项\n\n- 扩展示例训练脚本，以在完整数据集上训练 YOLO_v2 参考模型。\n- 支持更多类型的 Darknet 层。\n- 尽可能使用 Keras 封装来隐藏 TensorFlow 的依赖。\n- YOLO_v2 模型不支持全卷积模式。当前实现假设输入图像的宽高比为 1:1。\n\n## 往昔的 Darknets\n\nYAD2K 站在巨人的肩膀上。\n\n- :fire: [Darknet](https:\u002F\u002Fgithub.com\u002Fpjreddie\u002Fdarknet) :fire:\n- [Darknet.Keras](https:\u002F\u002Fgithub.com\u002Fsunshineatnoon\u002FDarknet.keras) - YOLO_v1 的原始 D2K 实现。\n- [Darkflow](https:\u002F\u002Fgithub.com\u002Fthtrieu\u002Fdarkflow) - 直接将 Darknet 转换为 TensorFlow。\n- [caffe-yolo](https:\u002F\u002Fgithub.com\u002Fxingwangsfu\u002Fcaffe-yolo) - 将 YOLO_v1 转换为 Caffe。\n- [yolo2-pytorch](https:\u002F\u002Fgithub.com\u002Flongcw\u002Fyolo2-pytorch) - PyTorch 中的 YOLO_v2。\n\n--------------------------------------------------------------------------------","# YAD2K 快速上手指南\n\nYAD2K (Yet Another Darknet 2 Keras) 是一个将 YOLO_v2 模型从 Darknet 框架转换为 Keras\u002FTensorFlow 实现的工具。它基于 Keras (90%) 和 TensorFlow (10%) 构建，适合希望在 Keras 生态中使用 YOLO_v2 的开发者。\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 \u002F macOS \u002F Windows\n*   **Python 版本**: Python 3\n*   **核心依赖**:\n    *   [Keras](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras)\n    *   [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) (后端必须为 TensorFlow)\n    *   Numpy\n    *   h5py (用于模型序列化)\n    *   Pillow (用于渲染测试结果)\n*   **可选依赖**:\n    *   pydot-ng (用于绘制模型结构图)\n\n> **注意**：YAD2K 强依赖 TensorFlow 后端，特别是对于包含 passthrough 层的 YOLO_v2 模型，底层使用了 `tf.space_to_depth` 和 `tf.non_max_suppression`。\n\n## 安装步骤\n\n### 1. 克隆项目\n首先从 GitHub 克隆源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fallanzelener\u002Fyad2k.git\ncd yad2k\n```\n\n### 2. 配置依赖环境\n您可以选择以下两种方式之一进行安装：\n\n**方式一：使用 Conda 复现环境（推荐）**\n如果您使用 Anaconda 或 Miniconda，可以直接创建隔离环境：\n\n```bash\nconda env create -f environment.yml\nsource activate yad2k\n# Windows 用户使用: conda activate yad2k\n```\n\n**方式二：全局安装 (pip)**\n如果您希望在全局环境中安装，请执行以下命令。\n*注：国内用户建议使用清华源或阿里源加速安装。*\n\n```bash\n# 安装基础依赖\npip install numpy h5py pillow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装 TensorFlow (GPU 版本)\n# 若仅需 CPU 版本，可使用: conda install -c conda-forge tensorflow\npip install tensorflow-gpu -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装 Keras\npip install keras -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n以下是将官方 Darknet 模型转换为 Keras 模型并进行测试的最简流程。\n\n### 1. 下载官方模型文件\n从 YOLO 官方网站下载配置文件 (`.cfg`) 和权重文件 (`.weights`)：\n\n```bash\nwget http:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolo.weights\nwget https:\u002F\u002Fraw.githubusercontent.com\u002Fpjreddie\u002Fdarknet\u002Fmaster\u002Fcfg\u002Fyolo.cfg\n```\n*(注：如果下载速度慢，可手动在浏览器下载后放入当前目录)*\n\n### 2. 转换模型\n运行转换脚本，将 Darknet 格式转换为 Keras 的 `.h5` 格式：\n\n```bash\n.\u002Fyad2k.py yolo.cfg yolo.weights model_data\u002Fyolo.h5\n```\n\n### 3. 测试模型\n使用生成的 Keras 模型对 `images\u002F` 目录下的测试图片进行推理，结果将输出到 `images\u002Fout\u002F`：\n\n```bash\n.\u002Ftest_yolo.py model_data\u002Fyolo.h5\n```\n\n### 进阶提示\n*   **查看帮助**：输入 `.\u002Fyad2k.py --help` 或 `.\u002Ftest_yolo.py --help` 查看更多参数选项。\n*   **可视化模型**：使用 `-p` 参数可生成模型结构图（需安装 pydot-ng）：\n    ```bash\n    .\u002Fyad2k.py -p yolo.cfg yolo.weights model_data\u002Fyolo.h5\n    ```\n*   **支持配置**：目前支持 `darknet19_448`, `tiny-yolo-voc`, `yolo-voc`, 和 `yolo` 等 YOLO_v2 风格的配置。","某计算机视觉团队希望将基于 Darknet 框架训练的 YOLO_v2 目标检测模型迁移至 Keras\u002FTensorFlow 生态，以便利用现有深度学习流水线进行二次开发和部署。\n\n### 没有 YAD2K 时\n- 开发人员必须手动逐层重写网络结构，极易因对 Darknet 特有的 Passthrough 层理解偏差导致模型架构错误。\n- 权重文件转换需要编写复杂的解析脚本，二进制数据对齐困难，常出现通道顺序错乱或数值精度丢失。\n- 无法直接复用 Keras 丰富的训练回调、可视化插件及分布式训练策略，导致迭代效率低下。\n- 调试过程黑盒化，缺乏直观的网络结构图，排查层级连接问题耗时耗力。\n- 团队被迫维护两套异构代码库，增加了长期维护成本和新人上手门槛。\n\n### 使用 YAD2K 后\n- 通过一条命令即可自动将 `.cfg` 和 `.weights` 文件转换为标准的 Keras `.h5` 模型，完美复现包括 Passthrough 层在内的复杂结构。\n- 内置的权重映射机制确保了参数无损迁移，直接加载即可在 TensorFlow 后端获得与原版 Darknet 一致的推理结果。\n- 模型无缝接入 Keras 生态系统，团队可立即利用现有的数据增强、监控日志及 GPU 加速方案进行微调训练。\n- 支持一键生成可视化的网络结构图（如 `yolo.png`），让层级关系一目了然，大幅缩短模型验证周期。\n- 统一了技术栈，使研究人员能专注于算法优化而非框架适配，显著降低了工程落地难度。\n\nYAD2K 通过自动化的高保真模型转换，消除了从 Darknet 到 Keras 的迁移壁垒，让开发者能真正“只看一次”就完成框架重构。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallanzelener_YAD2K_e67ba13c.jpg","allanzelener","Allan Zelener","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fallanzelener_b346c7a6.jpg",null,"Zoox","San Mateo, CA","opencuny.org\u002Fallanzelener","https:\u002F\u002Fgithub.com\u002Fallanzelener",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,2734,882,"2026-04-05T04:29:02","NOASSERTION","未说明","非必需（支持 CPU 模式），若使用 GPU 需安装 tensorflow-gpu，具体显存和 CUDA 版本未说明",{"notes":93,"python":94,"dependencies":95},"该工具是将 YOLO_v2 Darknet 模型转换为 Keras 模型的转换器。默认后端为 Tensorflow，转换包含 passthrough 层的模型时会直接使用 tf.space_to_depth。提供可选的 conda 环境配置文件 (environment.yml) 以简化安装。目前仅支持 YOLO_v2 风格的模型配置，且假设输入图像宽高比为 1:1。","Python 3",[96,97,98,99,100,101],"Keras","Tensorflow","Numpy","h5py","Pillow","pydot-ng",[15,14],"2026-03-27T02:49:30.150509","2026-04-11T08:11:49.958982",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},29201,"CoreML 转换失败，提示不支持 Lambda 层或 Merge 层怎么办？","CoreML 不支持 Keras 中的 Lambda 层（用于运行任意代码）和旧的 Merge 层。解决方案是修改模型结构以仅使用支持的层：\n1. 将 Merge 层替换为 Concatenate 层。\n2. 对于 YOLO 模型，建议在转换为 Keras 之前直接修改 .cfg 配置文件，因为结构清晰且易于修改。\n3. 确保模型中不包含任何自定义的 Lambda 操作，尝试使用 Keras 原生 API 实现相同功能（如 space_to_depth）。","https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K\u002Fissues\u002F80",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},29202,"运行 yad2k.py 转换权重时出现 'TypeError: buffer is too small for requested array' 错误如何解决？","该错误通常是因为权重文件（.weights）的文件头大小不匹配导致的。Darknet 权重文件的头部可能是 16 字节或 20 字节，取决于版本。\n解决方法：\n1. 检查你的 .weights 文件版本。\n2. 在 yad2k.py 代码中，找到读取权重的部分（通常涉及 `weights_file.read`）。\n3. 如果默认读取 20 字节报错，尝试将其改为读取 16 字节（即把 `buffer=weights_file.read(20)` 改为 `buffer=weights_file.read(16)`），或者根据 Darknet 源码逻辑动态判断头部大小（通过读取 major, minor, revision 版本号来判断是否包含 64 位的 seen 字段）。","https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K\u002Fissues\u002F9",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},29203,"如何将 Keras 的 .h5 模型文件转换回 Darknet 的 .weights 文件？","目前社区中没有官方提供的直接逆向转换脚本。用户反馈表明，虽然可以将 .weights 转为 .h5，但反向操作（.h5 转 .weights）较为复杂，因为 .h5 包含完整模型结构而 .weights 仅含权重数据，且格式不同。\n建议：\n1. 目前没有通用的简单代码可以直接完成此转换。\n2. 如果需要 .weights 文件，最好直接使用 Darknet 进行训练或寻找预训练的 .weights 文件。\n3. 部分用户尝试编写脚本但遇到 NameError 或兼容性问题，说明该功能并非对所有 .h5 文件都通用，需谨慎尝试自行编写解析代码。","https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K\u002Fissues\u002F55",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},29204,"为什么测试脚本 (test_yolo.py) 的结果与原始 Darknet 的结果差异很大（类别正确但框的位置不对）？","这种情况通常是由配置文件（.cfg）不匹配或权重文件版本问题引起的。\n排查步骤：\n1. 确认使用的 .cfg 文件是否与训练时的配置完全一致。有用户反馈将原本基于 yolo-voc.cfg 训练的模型改用 tiny-yolo-voc.cfg 重新训练后解决了问题。\n2. 检查权重文件头部的读取字节数（参考 Buffer 太小错误的修复方法，尝试切换 16 或 20 字节）。\n3. 注意损失函数的实现可能与原始 Darknet 不同，如果可能，尝试使用 YAD2K 重新训练模型以确保一致性。","https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K\u002Fissues\u002F75",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},29205,"如何提取并保存每个检测到的边界框的特征向量？","YAD2K 本身没有直接提供提取特定层特征的内置命令。\n解决方案思路：\n1. 这通常是 ROI Pooling 层的功能，无论裁剪对象的大小如何，它都能生成固定长度的特征向量。\n2. 你需要手动修改代码，加载模型后，创建一个新模型或使用 Keras 的后端函数，指定输出为你想要提取特征的中间层（例如卷积层的输出）。\n3. 利用检测到的边界框坐标，对特征图进行裁剪和池化操作，从而获得每个框对应的特征向量。","https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K\u002Fissues\u002F4",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},29206,"转换后的模型 mAP（平均精度均值）比官方声称的低很多，原因是什么？","mAP 偏低可能由以下原因导致：\n1. 阈值设置问题：原论文可能未明确说明所有的置信度阈值或 IOU 阈值设置，不同的代码实现可能导致评估标准不一致。\n2. 数据集格式问题：在训练或验证时，将 VOC 数据集转换为 npz 或 hdp5 格式的过程中可能出现数据丢失或处理错误。\n3. 评估代码差异：确保使用标准的评估代码（如 Faster R-CNN 项目中的 voc_eval.py）并在相同的数据集划分（如 VOC2007+2012 test 数据）上进行验证，以排除评估方法带来的误差。","https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K\u002Fissues\u002F22",[]]