[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-awai54st--PYNQ-Classification":3,"tool-awai54st--PYNQ-Classification":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",149489,2,"2026-04-10T11:32:46",[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":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":118,"forks":119,"last_commit_at":120,"license":121,"difficulty_score":122,"env_os":123,"env_gpu":124,"env_ram":125,"env_deps":126,"category_tags":136,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":137,"updated_at":138,"faqs":139,"releases":175},6233,"awai54st\u002FPYNQ-Classification","PYNQ-Classification","Python on Zynq FPGA for Convolutional Neural Networks","PYNQ-Classification 是一个专为嵌入式卷积神经网络（CNN）设计的开源快速原型框架，旨在让开发者能在 PYNQ 平台上高效部署深度学习应用。它主要解决了在 FPGA 硬件上开发 CNN 应用门槛高、周期长的问题，通过提供预配置的软硬件环境，让用户无需从零搭建复杂的底层系统即可快速验证算法。\n\n该工具特别适合嵌入式 AI 研究人员、FPGA 开发者以及希望探索硬件加速深度学习的学生使用。其核心亮点在于支持直接使用 Python 在 Zynq FPGA 上进行开发，并兼容 Caffe 和 Theano 两种主流深度学习框架的预训练模型。用户只需加载现有的 LeNet 或 CIFAR-10 等模型，即可在板端运行推理测试。此外，项目提供了包含完整依赖环境的 SD 卡镜像，大幅简化了安装流程，配合详细的 Vivado 工程指南，帮助用户轻松实现更多自定义 CNN 模型的硬件加速部署，是连接算法理论与嵌入式硬件实践的高效桥梁。","## PROJECT NAME: \nPYNQ Classification - Python on Zynq FPGA for Convolutional Neural Networks (Alpha Release)\n\n## BRIEF DESCRIPTION:\nThis repository presents a fast prototyping framework, which is an Open Source framework designed to enable fast deployment of embedded Convolutional Neural Network (CNN) applications on PYNQ platforms.\n\n## CITATION:\nIf you make use of this code, please acknowledge us by citing [our article](https:\u002F\u002Fspiral.imperial.ac.uk\u002Fhandle\u002F10044\u002F1\u002F57937):\n\n\t@inproceedings{Wang_FCCM18,\n        author={E. Wang and J. J. Davis and P. Y. K. Cheung},\n        booktitle={IEEE Symposium on Field-programmable Custom Computing Machines (FCCM)},\n        title={{A PYNQ-based Framework for Rapid CNN Prototyping}},\n        year={2018}\n    }\n\n## INSTRUCTIONS TO BUILD AND TEST THE PROJECT:\n\n### Repository Organisation\n\nThe project demo accepts pre-trained CNN models in either Caffe or Theano syntax, hence the step 1 and 2 introduces how to install Caffe and Theano (with Lasagne) on PYNQ. Step 3 explains how to download and run the demos for LeNet and CIFAR-10 (Caffe \"quick\" version) models.\n\nFor a quick overview on the project please watch [my video tutorial](https:\u002F\u002Fyoutu.be\u002FDoA8hKBltV4).\n\n### 1. PYNQ SD Card Image\n\nWe have prepared a SD card image with pre-installed Caffe and Theano dependencies. A SD card with at least 16GB is needed. The static IP for the PYNQ Jupyter Notebook is 192.168.2.99\n\n[Download Link (on Baidu Drive)](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1c2EmMvY)\n\n[Download Link (on Google Drive)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1A9MrN_zzbHYiIHJvnNQYFc3sXqWZBb6o)\n\nIf you wish to setup Caffe and Theano dependencies on your own, please see [MANUAL_INSTAL.md](MANUAL_INSTALL.md) for instructions. (NOT RECOMMENDED since multiple issues have been reported)\n\n### 2. Vivado Project Setup - How to implement more CNN models?\n\nPlease go to hw\u002FREADME.md for guide on regenerating the Vivado and Vivado HLS projects.\n\n### References\n    \n### 1. BNN-PYNQ\n\nIf you find BNN-PYNQ useful, please cite the \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.07119\" target=\"_blank\">FINN paper\u003C\u002Fa>:\n\n    @inproceedings{finn,\n    author = {Umuroglu, Yaman and Fraser, Nicholas J. and Gambardella, Giulio and Blott, Michaela and Leong, Philip and Jahre, Magnus and Vissers, Kees},\n    title = {FINN: A Framework for Fast, Scalable Binarized Neural Network Inference},\n    booktitle = {Proceedings of the 2017 ACM\u002FSIGDA International Symposium on Field-Programmable Gate Arrays},\n    series = {FPGA '17},\n    year = {2017},\n    pages = {65--74},\n    publisher = {ACM}\n    }\n\n### 2. Caffe\n\nCaffe is released under the [BSD 2-Clause license](https:\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe\u002Fblob\u002Fmaster\u002FLICENSE).\nThe BAIR\u002FBVLC reference models are released for unrestricted use.\n\nPlease cite Caffe in your publications if it helps your research:\n\n    @article{jia2014caffe,\n      Author = {Jia, Yangqing and Shelhamer, Evan and Donahue, Jeff and Karayev, Sergey and Long, Jonathan and Girshick, Ross and Guadarrama, Sergio and Darrell, Trevor},\n      Journal = {arXiv preprint arXiv:1408.5093},\n      Title = {Caffe: Convolutional Architecture for Fast Feature Embedding},\n      Year = {2014}\n    }\n    \n### 3. Theano\n\n    @ARTICLE{2016arXiv160502688short,\n       author = {{Theano Development Team}},\n        title = \"{Theano: A {Python} framework for fast computation of mathematical expressions}\",\n      journal = {arXiv e-prints},\n       volume = {abs\u002F1605.02688},\n     primaryClass = \"cs.SC\",\n     keywords = {Computer Science - Symbolic Computation, Computer Science - Learning, Computer Science - Mathematical Software},\n         year = 2016,\n        month = may,\n          url = {http:\u002F\u002Farxiv.org\u002Fabs\u002F1605.02688},\n    }\n\n### 4. Lasagne \n\n    @misc{lasagne,\n      author       = {Sander Dieleman and\n                      Jan Schlüter and\n                      Colin Raffel and\n                      Eben Olson and\n                      Søren Kaae Sønderby and\n                      Daniel Nouri and\n                      others},\n      title        = {Lasagne: First release.},\n      month        = aug,\n      year         = 2015,\n      doi          = {10.5281\u002Fzenodo.27878},\n      url          = {http:\u002F\u002Fdx.doi.org\u002F10.5281\u002Fzenodo.27878}\n    }\n","## 项目名称：\nPYNQ 分类——用于卷积神经网络的 Zynq FPGA 上的 Python（Alpha 版）\n\n## 简要说明：\n本仓库提供一个快速原型开发框架，这是一个开源框架，旨在实现嵌入式卷积神经网络（CNN）应用在 PYNQ 平台上的快速部署。\n\n## 引用：\n如果您使用了此代码，请通过引用[我们的文章](https:\u002F\u002Fspiral.imperial.ac.uk\u002Fhandle\u002F10044\u002F1\u002F57937)来致谢我们：\n\n\t@inproceedings{Wang_FCCM18,\n        author={E. Wang and J. J. Davis and P. Y. K. Cheung},\n        booktitle={IEEE Symposium on Field-programmable Custom Computing Machines (FCCM)},\n        title={{基于 PYNQ 的 CNN 快速原型开发框架}},\n        year={2018}\n    }\n\n## 项目构建与测试说明：\n\n### 仓库组织\n\n该项目演示接受采用 Caffe 或 Theano 语法的预训练 CNN 模型，因此步骤 1 和 2 介绍了如何在 PYNQ 上安装 Caffe 和 Theano（带 Lasagne）。步骤 3 则说明如何下载并运行 LeNet 和 CIFAR-10（Caffe “quick” 版本）模型的演示。\n\n如需快速了解该项目，请观看[我的视频教程](https:\u002F\u002Fyoutu.be\u002FDoA8hKBltV4)。\n\n### 1. PYNQ SD 卡镜像\n\n我们已准备好包含预装 Caffe 和 Theano 依赖项的 SD 卡镜像。需要至少 16GB 容量的 SD 卡。PYNQ Jupyter Notebook 的静态 IP 地址为 192.168.2.99。\n\n[下载链接（百度网盘）](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1c2EmMvY)\n\n[下载链接（Google Drive）](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1A9MrN_zzbHYiIHJvnNQYFc3sXqWZBb6o)\n\n如果您希望自行设置 Caffe 和 Theano 依赖项，请参阅 [MANUAL_INSTALL.md](MANUAL_INSTALL.md) 获取说明。（不推荐，因为曾有多个问题报告）\n\n### 2. Vivado 项目设置——如何实现更多 CNN 模型？\n\n请前往 hw\u002FREADME.md 查看有关重新生成 Vivado 和 Vivado HLS 项目的指南。\n\n### 参考文献\n\n### 1. BNN-PYNQ\n\n如果您认为 BNN-PYNQ 很有用，请引用 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.07119\" target=\"_blank\">FINN 论文\u003C\u002Fa>：\n\n    @inproceedings{finn,\n    author = {Umuroglu, Yaman and Fraser, Nicholas J. and Gambardella, Giulio and Blott, Michaela and Leong, Philip and Jahre, Magnus and Vissers, Kees},\n    title = {FINN：一种用于快速、可扩展的二值化神经网络推理的框架},\n    booktitle = {2017 年 ACM\u002FSIGDA 国际现场可编程门阵列研讨会论文集},\n    series = {FPGA '17},\n    year = {2017},\n    pages = {65--74},\n    publisher = {ACM}\n    }\n\n### 2. Caffe\n\nCaffe 采用 [BSD 2-Clause 许可证](https:\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe\u002Fblob\u002Fmaster\u002FLICENSE)发布。BAIR\u002FBVLC 参考模型可供无限制使用。\n\n如果 Caffe 对您的研究有所帮助，请在您的出版物中引用：\n\n    @article{jia2014caffe,\n      Author = {Jia, Yangqing and Shelhamer, Evan and Donahue, Jeff and Karayev, Sergey and Long, Jonathan and Girshick, Ross and Guadarrama, Sergio and Darrell, Trevor},\n      Journal = {arXiv 预印本 arXiv:1408.5093},\n      Title = {Caffe：用于快速特征嵌入的卷积架构},\n      Year = {2014}\n    }\n    \n### 3. Theano\n\n    @ARTICLE{2016arXiv160502688short,\n       author = {{Theano 开发团队}},\n        title = \"{Theano：一种用于快速计算数学表达式的 Python 框架}\",\n      journal = {arXiv e-prints},\n       volume = {abs\u002F1605.02688},\n     primaryClass = \"cs.SC\",\n     keywords = {计算机科学——符号计算、计算机科学——机器学习、计算机科学——数学软件},\n         year = 2016,\n        month = 五月，\n          url = {http:\u002F\u002Farxiv.org\u002Fabs\u002F1605.02688},\n    }\n\n### 4. Lasagne \n\n    @misc{lasagne,\n      author       = {Sander Dieleman 和\n                      Jan Schlüter 和\n                      Colin Raffel 和\n                      Eben Olson 和\n                      Søren Kaae Sønderby 和\n                      Daniel Nouri 和\n                      其他贡献者},\n      title        = {Lasagne：首次发布。},\n      month        = 8 月，\n      year         = 2015，\n      doi          = {10.5281\u002Fzenodo.27878},\n      url          = {http:\u002F\u002Fdx.doi.org\u002F10.5281\u002Fzenodo.27878}\n    }","# PYNQ-Classification 快速上手指南\n\nPYNQ-Classification 是一个开源框架，旨在帮助开发者在 PYNQ 平台（Zynq FPGA）上快速部署嵌入式卷积神经网络（CNN）应用。本指南将协助您完成环境搭建与基础演示运行。\n\n## 1. 环境准备\n\n### 系统要求\n- **硬件平台**：Xilinx PYNQ-Z1 或 PYNQ-Z2 开发板。\n- **存储介质**：容量至少为 **16GB** 的 MicroSD 卡。\n- **网络环境**：电脑需能与开发板处于同一局域网，建议配置静态 IP。\n\n### 前置依赖说明\n本项目支持 **Caffe** 和 **Theano (配合 Lasagne)** 两种深度学习框架语法。\n> **重要提示**：官方强烈建议使用预装好所有依赖的 SD 卡镜像。手动安装依赖过程复杂且易出错（`MANUAL_INSTALL.md` 中已注明不推荐）。\n\n## 2. 安装步骤\n\n### 步骤一：烧录预构建镜像\n为了节省配置时间并避免依赖冲突，请直接下载官方提供的预构建 SD 卡镜像（已包含 Caffe、Theano 及 Lasagne）。\n\n**下载链接（优先推荐国内源）：**\n- [百度网盘下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1c2EmMvY)\n- [Google Drive 备用下载](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1A9MrN_zzbHYiIHJvnNQYFc3sXqWZBb6o)\n\n**操作指引：**\n1. 下载镜像文件并解压。\n2. 使用工具（如 BalenaEtcher 或 Win32 Disk Imager）将镜像写入 16GB+ 的 SD 卡。\n3. 将 SD 卡插入 PYNQ 开发板并通电启动。\n\n### 步骤二：网络连接与访问\n镜像启动后，PYNQ 的 Jupyter Notebook 服务默认静态 IP 已设定。\n\n1. 确保您的电脑与 PYNQ 开发板连接在同一交换机或路由器下。\n2. 将电脑的以太网接口 IP 设置为同网段（例如：`192.168.2.x`，子网掩码 `255.255.255.0`）。\n3. 在浏览器中访问以下地址进入开发环境：\n   ```text\n   http:\u002F\u002F192.168.2.99:9090\n   ```\n   *(默认密码通常为 `xilinx`，具体请参考镜像说明)*\n\n### 步骤三：获取项目代码\n在 Jupyter Notebook 界面的 Terminal 中，或通过 SSH 连接到开发板，克隆本项目仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FXilinx\u002FPYNQ-Classification.git\ncd PYNQ-Classification\n```\n\n*(注：如果仓库中包含具体的 demo 文件夹，请进入对应目录，例如 `cd demos`)*\n\n## 3. 基本使用\n\n本项目提供了基于 **LeNet** 和 **CIFAR-10** (Caffe \"quick\" 版本) 的预训练模型演示。\n\n### 运行演示示例\n在 Jupyter Notebook 界面中，导航至项目目录，找到对应的 `.ipynb` 笔记本文件（通常命名为 `LeNet_Demo.ipynb` 或 `CIFAR10_Demo.ipynb`）。\n\n1. 打开笔记本文件。\n2. 按顺序执行单元格（Cell），系统将自动加载预训练的 CNN 模型并在 FPGA 上进行推理。\n3. 观察输出结果，验证图像分类效果。\n\n### 进阶：自定义模型\n若需部署其他 CNN 模型，需重新生成 Vivado 和 Vivado HLS 工程。请参考项目内 `hw\u002FREADME.md` 文档了解如何根据新的网络结构重构硬件比特流。\n\n### 视频教程参考\n如需直观的操作演示，可观看官方提供的视频教程：\n[YouTube 教程链接](https:\u002F\u002Fyoutu.be\u002FDoA8hKBltV4)","某嵌入式视觉团队需要在资源受限的 Zynq FPGA 开发板上快速验证一款新的缺陷检测算法，以评估其在产线实时运行的可行性。\n\n### 没有 PYNQ-Classification 时\n- 开发人员必须手动编写复杂的 Verilog\u002FVHDL 代码来加速卷积神经网络，硬件门槛极高且调试困难。\n- 从模型训练到部署需要经历漫长的 C++ 移植和底层驱动开发过程，单次迭代周期长达数周。\n- 难以直接复用 Caffe 或 Theano 等主流框架训练的预训练模型，算法工程师与硬件工程师协作成本巨大。\n- 缺乏统一的 Python 接口，无法利用 Jupyter Notebook 进行交互式的数据分析和即时效果验证。\n\n### 使用 PYNQ-Classification 后\n- 团队直接利用现有的 Caffe 或 Theano 模型语法，通过 Python 脚本即可在 Zynq FPGA 上部署 CNN，无需重写底层硬件逻辑。\n- 借助预制的 SD 卡镜像和开源框架，将原型验证时间从数周缩短至几天，实现了“上午改模型，下午测性能”。\n- 完美兼容 LeNet、CIFAR-10 等经典模型结构，算法人员可独立完成的端到端测试，大幅降低了跨部门沟通成本。\n- 通过 Jupyter Notebook 远程连接开发板，实时查看推理结果与性能指标，快速调整网络参数以优化检测精度。\n\nPYNQ-Classification 通过打通 Python 生态与 FPGA 硬件加速的壁垒，让嵌入式 AI 原型的开发效率实现了数量级的提升。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawai54st_PYNQ-Classification_07e8e7ec.png","awai54st","Erwei Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fawai54st_8551d69d.png",null,"https:\u002F\u002Fgithub.com\u002Fawai54st",[78,82,86,90,94,98,102,106,110,114],{"name":79,"color":80,"percentage":81},"Jupyter Notebook","#DA5B0B",55.8,{"name":83,"color":84,"percentage":85},"Tcl","#e4cc98",27,{"name":87,"color":88,"percentage":89},"C++","#f34b7d",7,{"name":91,"color":92,"percentage":93},"Python","#3572A5",3.6,{"name":95,"color":96,"percentage":97},"VHDL","#adb2cb",3.2,{"name":99,"color":100,"percentage":101},"Verilog","#b2b7f8",2.3,{"name":103,"color":104,"percentage":105},"C","#555555",0.8,{"name":107,"color":108,"percentage":109},"Batchfile","#C1F12E",0.2,{"name":111,"color":112,"percentage":113},"Makefile","#427819",0.1,{"name":115,"color":116,"percentage":117},"Pascal","#E3F171",0,624,222,"2026-04-01T23:15:04","BSD-2-Clause",5,"Linux (PYNQ SD Card Image)","不需要独立 GPU，依赖 Xilinx Zynq FPGA 硬件加速","未说明（需至少 16GB SD 卡存储镜像）",{"notes":127,"python":128,"dependencies":129},"该项目专为 Xilinx PYNQ 平台（Zynq FPGA）设计。官方强烈建议使用预装了 Caffe 和 Theano 依赖的专用 SD 卡镜像（至少 16GB），不推荐手动安装依赖。硬件开发部分需要 Xilinx Vivado 和 Vivado HLS 工具来生成比特流。支持导入 Caffe 或 Theano 语法的预训练 CNN 模型。","未说明 (运行于 PYNQ 环境)",[130,131,132,133,134,135],"Caffe","Theano","Lasagne","PYNQ","Vivado","Vivado HLS",[15,14],"2026-03-27T02:49:30.150509","2026-04-10T20:34:08.410858",[140,145,150,155,160,165,170],{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},28207,"如何在 PYNQ 上部署自定义的 CNN 网络？从训练到部署的完整流程是什么？","主要有两种设计流程：\n1. 脚本化流程 (Script Process)：在 Vivado HLS 中修改代码并综合，自动生成网络 IP 包，无需手动使用 SKETCHPAD 项目。\n2. 图形化流程 (Graphical Process)：使用 `make compile_graphical` 命令生成 SKETCHPAD 项目，将层 IP 打包成完整的网络块设计。\n两者在硬件上的功能基本相同。如果是自定义架构，通常只需修改 Vivado HLS 中的代码，综合后导出 RTL 生成 IP 核，然后将其添加到整体架构中即可。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F21",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},28208,"运行时报错 'DMA timeout' 或 'DMA waiting for done signal' 是什么原因？","这是因为 DMA 正在等待 FPGA 模块返回 \"done\" 信号，但直到超时仍未收到。这通常是因为 Python 端发送给 FPGA 的输入数据数量与 FPGA 模块期望接收的数量不匹配。如果 FPGA 未接收到正确数量的输入，它将一直等待。请检查 Python 代码提供的输入数据量是否与 FPGA 设计一致。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F15",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},28209,"不同版本的 Vivado (如 2016.1, 2017.4, 2018.1) 对项目实施有什么影响？遇到性能下降或编译错误怎么办？","Vivado 会限制不同版本间项目的可移植性，有时会导致问题。如果遇到性能异常（如推理时间变慢）或编译错误，建议尝试回退到 Vivado 2016.1 版本重新生成比特流。许多用户反馈在 2016.1 版本下生成的项目能解决兼容性和性能问题。如果问题依旧，请提供综合日志 (synthesis log) 以便进一步排查。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F5",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},28210,"PYNQ 板卡资源不足 (LUTs 超限) 时该如何优化？能否通过修改池化层代码来添加 Dropout？","由于 PYNQ 板卡资源有限，设计深层网络时资源可能不足。关于在池化层后直接通过乘以常数来实现 Dropout 的想法，维护者建议先深入了解底层 FPGA 设计基础。资源利用率过高（如 LUTs 远超预期）通常与设计架构有关，而不仅仅是 BRAM 或 DSP 的使用情况。对于资源受限场景，可能需要简化网络结构或优化底层实现，而非简单修改单层代码。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F24",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},28211,"图形化设计流程中提到的 'make compile_graphical' 命令在哪里使用？找不到 'CNN_BLOCK_DESIGN' 项目文件怎么办？","`make compile_graphical` 命令用于图形化设计流程，它会生成 SKETCHPAD 项目，该功能仅用于将层 IP 打包成完整的网络块设计。如果你使用的是脚本化设计流程 (script_design_flow)，则不需要 SKETCHPAD 项目，网络会在 HLS 项目中自动打包。如果在图形化流程中找不到特定文件，请确认是否已正确执行了编译命令生成了相应的项目文件。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F13",{"id":166,"question_zh":167,"answer_zh":168,"source_url":169},28212,"脚本设计流程中有 AXI_DMA_SLAVE\u002FMASTER 连接，为什么图形化设计流程中没有？它们的作用是什么？","脚本设计流程库较新，添加了 AXI_DMA_SLAVE\u002FMASTER 以简化 \"done\" 信号的控制。而在图形化设计流程中可能看不到这些组件，因为它们不是必须的。两种设计方式（有无 AXI_DMA 组件）在硬件上的功能基本等效。Testbench 文件仅用于仿真和调试，不参与硬件综合，因此缺少 testbench 文件不会影响程序在硬件上的正常运行。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F19",{"id":171,"question_zh":172,"answer_zh":173,"source_url":174},28213,"什么是 SDF (同步数据流) 范式？它在该框架中是如何工作的？","该框架基于 SDF (Synchronous Dataflow) 范式。在此范式中，网络被表示为名为 SDFG 的有向图，节点代表计算，连线代表数据流。SDF 的核心原则是：只要节点有输入数据可用，节点就会立即开始处理并生成输出。当整个网络用 SDF 构建时，图上的每个组件 IP 都可以独立驱动数据流，形成异构流式架构。通过流式 I\u002FO，输出数据会立即流出，而不是缓冲在片上内存中，从而节省了整个网络的内存占用。","https:\u002F\u002Fgithub.com\u002Fawai54st\u002FPYNQ-Classification\u002Fissues\u002F20",[]]