[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-atulapra--Emotion-detection":3,"tool-atulapra--Emotion-detection":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":78,"owner_website":78,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":147},2014,"atulapra\u002FEmotion-detection","Emotion-detection","Real-time Facial Emotion Detection using deep learning","Emotion-detection 是一个基于深度学习的实时面部情绪识别工具，能通过摄像头捕捉人脸，并在毫秒级内判断出七种基本情绪：愤怒、厌恶、恐惧、快乐、中性、悲伤和惊讶。它解决了传统人工标注情绪效率低、难以实时响应的问题，为需要理解用户情绪反馈的场景提供了自动化解决方案。适合开发者用于集成到交互式应用，研究人员用于情绪计算相关实验，设计师用于优化人机交互体验。工具采用轻量级4层卷积神经网络，在FER-2013数据集上达到63.2%的测试准确率，兼顾速度与效果。其核心亮点是结合了Haar级联人脸检测与端到端的CNN分类，无需复杂预处理即可在普通电脑上运行，支持直接调用预训练模型，开箱即用。依赖OpenCV和TensorFlow，安装和部署简单，适合有一定编程基础的用户快速上手。","# Emotion detection using deep learning\n\n## Introduction\n\nThis project aims to classify the emotion on a person's face into one of **seven categories**, using deep convolutional neural networks. The model is trained on the **FER-2013** dataset which was published on International Conference on Machine Learning (ICML). This dataset consists of 35887 grayscale, 48x48 sized face images with **seven emotions** - angry, disgusted, fearful, happy, neutral, sad and surprised.\n\n## Dependencies\n\n* Python 3, [OpenCV](https:\u002F\u002Fopencv.org\u002F), [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n* To install the required packages, run `pip install -r requirements.txt`.\n\n## Basic Usage\n\nThe repository is currently compatible with `tensorflow-2.0` and makes use of the Keras API using the `tensorflow.keras` library.\n\n* First, clone the repository and enter the folder\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection.git\ncd Emotion-detection\n```\n\n* Download the FER-2013 dataset inside the `src` folder.\n\n* If you want to train this model, use:  \n\n```bash\ncd src\npython emotions.py --mode train\n```\n\n* If you want to view the predictions without training again, you can download the pre-trained model from [here](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1FUn0XNOzf-nQV7QjbBPA6-8GLoHNNgv-\u002Fview?usp=sharing) and then run:  \n\n```bash\ncd src\npython emotions.py --mode display\n```\n\n* The folder structure is of the form:  \n  src:\n  * data (folder)\n  * `emotions.py` (file)\n  * `haarcascade_frontalface_default.xml` (file)\n  * `model.h5` (file)\n\n* This implementation by default detects emotions on all faces in the webcam feed. With a simple 4-layer CNN, the test accuracy reached 63.2% in 50 epochs.\n\n![Accuracy plot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fatulapra_Emotion-detection_readme_c488153f4f21.png)\n\n## Data Preparation (optional)\n\n* The [original FER2013 dataset in Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Fdeadskull7\u002Ffer2013) is available as a single csv file. I had converted into a dataset of images in the PNG format for training\u002Ftesting.\n\n* In case you are looking to experiment with new datasets, you may have to deal with data in the csv format. I have provided the code I wrote for data preprocessing in the `dataset_prepare.py` file which can be used for reference.\n\n## Algorithm\n\n* First, the **haar cascade** method is used to detect faces in each frame of the webcam feed.\n\n* The region of image containing the face is resized to **48x48** and is passed as input to the CNN.\n\n* The network outputs a list of **softmax scores** for the seven classes of emotions.\n\n* The emotion with maximum score is displayed on the screen.\n\n## References\n\n* \"Challenges in Representation Learning: A report on three machine learning contests.\" I Goodfellow, D Erhan, PL Carrier, A Courville, M Mirza, B\n   Hamner, W Cukierski, Y Tang, DH Lee, Y Zhou, C Ramaiah, F Feng, R Li,  \n   X Wang, D Athanasakis, J Shawe-Taylor, M Milakov, J Park, R Ionescu,\n   M Popescu, C Grozea, J Bergstra, J Xie, L Romaszko, B Xu, Z Chuang, and\n   Y. Bengio. arXiv 2013.\n","# 使用深度学习进行情绪检测\n\n## 简介\n\n本项目旨在利用深度卷积神经网络，将人脸的情绪分类为**七种类别**之一。该模型基于国际机器学习大会（ICML）发布的**FER-2013**数据集进行训练。该数据集包含35887张灰度、48x48大小的人脸图像，涵盖**七种情绪**——愤怒、厌恶、恐惧、快乐、 neutral、悲伤和惊讶。\n\n## 依赖项\n\n* Python 3，[OpenCV](https:\u002F\u002Fopencv.org\u002F)，[TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n* 要安装所需的软件包，请运行 `pip install -r requirements.txt`。\n\n## 基本用法\n\n目前该仓库与`tensorflow-2.0`兼容，并使用了`tensorflow.keras`库中的Keras API。\n\n* 首先，克隆仓库并进入文件夹：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection.git\ncd Emotion-detection\n```\n\n* 将FER-2013数据集下载到`src`文件夹中。\n\n* 如果您想训练此模型，请使用：\n\n```bash\ncd src\npython emotions.py --mode train\n```\n\n* 如果您想查看预测结果而无需再次训练，可以从[这里](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1FUn0XNOzf-nQV7QjbBPA6-8GLoHNNgv-\u002Fview?usp=sharing)下载预训练模型，然后运行：\n\n```bash\ncd src\npython emotions.py --mode display\n```\n\n* 文件夹结构如下：\n  src:\n  * data（文件夹）\n  * `emotions.py`（文件）\n  * `haarcascade_frontalface_default.xml`（文件）\n  * `model.h5`（文件）\n\n* 此实现默认会检测网络摄像头画面中所有人脸的情绪。通过一个简单的四层CNN，在50个epoch内，测试准确率达到63.2%。\n\n![准确率曲线](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fatulapra_Emotion-detection_readme_c488153f4f21.png)\n\n## 数据准备（可选）\n\n* Kaggle上的[原始FER2013数据集](https:\u002F\u002Fwww.kaggle.com\u002Fdeadskull7\u002Ffer2013)以单个csv文件形式提供。我将其转换为PNG格式的图像数据集，用于训练和测试。\n\n* 如果您希望尝试新的数据集，可能需要处理CSV格式的数据。我在`dataset_prepare.py`文件中提供了用于数据预处理的代码，可供参考。\n\n## 算法\n\n* 首先，使用**haar级联**方法在摄像头每一帧中检测人脸。\n\n* 包含人脸的图像区域被调整为**48x48**大小，并作为输入传递给CNN。\n\n* 网络输出七个情绪类别的**softmax分数**列表。\n\n* 屏幕上显示得分最高的情绪。\n\n## 参考文献\n\n* “表示学习中的挑战：三项机器学习竞赛报告”。I Goodfellow, D Erhan, PL Carrier, A Courville, M Mirza, B\n   Hamner, W Cukierski, Y Tang, DH Lee, Y Zhou, C Ramaiah, F Feng, R Li,  \n   X Wang, D Athanasakis, J Shawe-Taylor, M Milakov, J Park, R Ionescu,\n   M Popescu, C Grozea, J Bergstra, J Xie, L Romaszko, B Xu, Z Chuang, 和 Y. Bengio。arXiv 2013。","# Emotion-detection 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Python 3.6+\n- **前置依赖**：OpenCV、TensorFlow 2.0\n- 推荐使用国内镜像源加速安装：  \n  `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1. 克隆仓库并进入目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection.git\ncd Emotion-detection\n```\n\n2. 安装依赖包：\n\n```bash\npip install -r requirements.txt\n```\n\n3. 下载 FER-2013 数据集，放入 `src\u002F` 目录下。\n\n## 基本使用\n\n### 方式一：使用预训练模型实时检测（推荐）\n\n1. 下载预训练模型：[model.h5](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1FUn0XNOzf-nQV7QjbBPA6-8GLoHNNgv-\u002Fview?usp=sharing)  \n   （如下载缓慢，可尝试使用国内网盘加速工具）\n\n2. 将 `model.h5` 放入 `src\u002F` 目录\n\n3. 启动摄像头实时情绪识别：\n\n```bash\ncd src\npython emotions.py --mode display\n```\n\n系统将自动检测人脸并实时显示七种情绪（愤怒、厌恶、恐惧、高兴、中性、悲伤、惊讶）。\n\n> 默认使用 Haar 级联检测人脸，模型为 4 层 CNN，测试准确率 63.2%。","某在线教育平台的课程讲师在远程授课时，需实时感知学生的情绪状态以调整教学节奏，但缺乏有效的反馈手段。\n\n### 没有 Emotion-detection 时\n- 讲师只能依赖学生偶尔的弹幕或语音回应，难以捕捉沉默学生的困惑或走神状态。\n- 学生表情变化（如皱眉、眼神游离）被忽略，导致课程内容过快或过慢，影响学习效果。\n- 课后问卷反馈滞后，无法及时干预学习倦怠或焦虑情绪，学生流失率上升。\n- 教学调整依赖主观经验，缺乏数据支撑，难以优化课程设计。\n- 多人同时在线时，讲师无法兼顾所有学生的非语言反馈，教学体验高度不均衡。\n\n### 使用 Emotion-detection 后\n- 实时摄像头画面自动分析学生面部表情，系统在后台标注“困惑”“无聊”“专注”等情绪标签，讲师可一目了然。\n- 当超过3名学生显示“困惑”或“焦虑”时，系统自动弹出提醒，讲师可即时暂停讲解、举例澄清。\n- 课程结束后生成情绪热力图，清晰展示哪些知识点引发负面情绪，辅助优化课件内容。\n- 讲师能主动点名安抚情绪低落的学生，提升互动感与归属感，学生参与度提升40%以上。\n- 多学生同时在线时，系统自动高亮情绪异常者，减轻讲师认知负担，实现规模化个性化教学。\n\nEmotion-detection 让远程教学从“单向输出”转变为“情绪感知式互动”，显著提升教学精准度与学习体验。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fatulapra_Emotion-detection_c488153f.png","atulapra","Atul Balaji","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fatulapra_aa688390.jpg",null,"IBM","New York, NY","atulapra@gmail.com","https:\u002F\u002Fgithub.com\u002Fatulapra",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,1353,551,"2026-04-02T08:35:48","MIT","Linux, macOS, Windows","未说明",{"notes":95,"python":96,"dependencies":97},"首次运行需下载FER-2013数据集和预训练模型（约数百MB至数GB），建议使用pip安装依赖，模型默认使用CPU运行，如需加速可手动配置GPU支持","3",[98,99],"opencv-python","tensorflow>=2.0",[13,52,14],[102,103,104,105,106,107,108,98],"emotion-recognition","tflearn","haar-cascade","deep-learning","emotion-detection","computer-vision","opencv","2026-03-27T02:49:30.150509","2026-04-06T08:40:09.910087",[112,117,122,127,132,137,142],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},9123,"模型未加载，输出全为零向量，如何解决？","请检查 README 中提供的早期提交链接，确保已正确下载并放置模型文件（如 model_1_atul.tflearn.data-00000-of-00001、.index、.meta）到项目根目录下的 Data 文件夹中。","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F6",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},9124,"训练时出现 'TypeError: 'float' object is not iterable' 错误，如何修复？","在 emotions.py 的 plot_model_history 函数中，set_xticks 的第二个参数应为列表而非浮点数。将原代码 `len(model_history.history['accuracy'])\u002F10` 改为 `np.arange(1, len(model_history.history['accuracy'])+1, step=len(model_history.history['accuracy'])\u002F10)` 或直接移除第二个参数以使用默认刻度。","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F46",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},9125,"如何获取每个情绪的百分比概率而非仅最高概率？","模型使用 softmax 输出概率分布，直接使用 predict() 返回的数组即可获得每个情绪的概率值（如 [0.1, 0.7, 0.05, ...]），无需四舍五入。极小值（如 1e-33）是数值精度导致的接近零的概率，属于正常现象。","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F27",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},9126,"model.h5 文件缺失，如何获取？","可从以下链接下载预训练模型文件 model.h5：https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1FUn0XNOzf-nQV7QjbBPA6-8GLoHNNgv-\u002Fview?usp=sharing 或通过 https:\u002F\u002Fanonfile.com\u002Fi7k3x0oab4\u002Fmodel_h5 获取（如链接失效，请优先使用 Google Drive 链接）。","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F10",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},9127,"运行 singleface.py 时报错 'Name 'cascade_classifier' is not defined'，如何解决？","在 singleface.py 第 21 行添加代码：`cascade_classifier = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')`，确保 haarcascade_frontalface_default.xml 文件位于项目根目录下。","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F9",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},9128,"如何将 FER2013 的 CSV 数据转换为 PNG 图像用于训练？","项目维护者已承诺上传 CSV 转 PNG 的转换脚本，目前可参考其在 src 文件夹中提供的代码，或自行使用 pandas 读取 CSV，将像素列解析为 48x48 灰度图像并用 PIL 或 OpenCV 保存为 PNG 文件。","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F24",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},9129,"如何使用自定义 JPG 图像进行情绪预测？","使用 OpenCV 读取 JPG 图像（cv2.imread），将其转换为灰度图并调整为 48x48 像素，然后传入 haar cascade 检测人脸区域，再输入模型进行预测。参考代码位置：https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fblob\u002F5d4a1a6eaee68349c6ce6b9d23e62f85deaff657\u002FKeras\u002Fkerasmodel.py#L119","https:\u002F\u002Fgithub.com\u002Fatulapra\u002FEmotion-detection\u002Fissues\u002F13",[]]