[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ayooshkathuria--YOLO_v3_tutorial_from_scratch":3,"tool-ayooshkathuria--YOLO_v3_tutorial_from_scratch":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",152630,2,"2026-04-12T23:33:54",[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":77,"owner_twitter":77,"owner_website":77,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":77,"difficulty_score":10,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":133},6995,"ayooshkathuria\u002FYOLO_v3_tutorial_from_scratch","YOLO_v3_tutorial_from_scratch","Accompanying code for Paperspace tutorial series \"How to Implement YOLO v3 Object Detector from Scratch\"","YOLO_v3_tutorial_from_scratch 是配合 Paperspace 教程系列《如何从零实现 YOLO v3 目标检测器》的开源代码项目。它的核心目的是帮助学习者深入理解 YOLO v3 算法的内部机制，通过从零开始编写代码，揭开目标检测技术的“黑盒”。\n\n该项目主要解决了初学者在面对成熟但复杂的深度学习框架时，难以洞察模型底层逻辑的痛点。为了降低学习门槛，作者特意简化了代码结构，去除了大量高级定制选项，确保每一行代码都清晰易懂，让读者能专注于掌握算法原理，而非被工程细节困扰。需要注意的是，此仓库仅作为教学辅助材料，不再进行功能更新；若需使用功能更全面、持续维护的版本，作者推荐参考其另一个专用仓库。\n\nYOLO_v3_tutorial_from_scratch 非常适合希望深入钻研计算机视觉算法的开发者、人工智能专业的学生以及研究人员。对于想要知其然更知其所以然的技术爱好者来说，这是一个极佳的入门跳板。虽然它不具备直接用于生产环境的复杂功能，但其“化繁为简”的教学设计，能让用户在动手实践中扎实掌握 PyTorch 框架下的目标检测实现流程，为后续进阶开发打下坚实基础","YOLO_v3_tutorial_from_scratch 是配合 Paperspace 教程系列《如何从零实现 YOLO v3 目标检测器》的开源代码项目。它的核心目的是帮助学习者深入理解 YOLO v3 算法的内部机制，通过从零开始编写代码，揭开目标检测技术的“黑盒”。\n\n该项目主要解决了初学者在面对成熟但复杂的深度学习框架时，难以洞察模型底层逻辑的痛点。为了降低学习门槛，作者特意简化了代码结构，去除了大量高级定制选项，确保每一行代码都清晰易懂，让读者能专注于掌握算法原理，而非被工程细节困扰。需要注意的是，此仓库仅作为教学辅助材料，不再进行功能更新；若需使用功能更全面、持续维护的版本，作者推荐参考其另一个专用仓库。\n\nYOLO_v3_tutorial_from_scratch 非常适合希望深入钻研计算机视觉算法的开发者、人工智能专业的学生以及研究人员。对于想要知其然更知其所以然的技术爱好者来说，这是一个极佳的入门跳板。虽然它不具备直接用于生产环境的复杂功能，但其“化繁为简”的教学设计，能让用户在动手实践中扎实掌握 PyTorch 框架下的目标检测实现流程，为后续进阶开发打下坚实基础。","# YOLO_v3_tutorial_from_scratch\nAccompanying code for Paperspace tutorial series [\"How to Implement YOLO v3 Object Detector from Scratch\"](https:\u002F\u002Fblog.paperspace.com\u002Fhow-to-implement-a-yolo-object-detector-in-pytorch\u002F)\n\nHere's what a typical output of the detector will look like ;)\n\n![Detection Example](https:\u002F\u002Fi.imgur.com\u002Fm2jwnen.png)\n\n## About the training Code\n\nThis code is only mean't as a companion to the tutorial series and won't be updated. If you want to have a look at the ever updating YOLO v3 code, go to my other repo at https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002Fpytorch-yolo-v3\n\nAlso, the other repo offers a lot of customisation options, which are not present in this repo for making tutorial easier to follow. (Don't wanna confuse the shit out readers, do we?)\n\nAbout when is the training code coming? I have my undergraduate thesis this May, and will be busy. So, you might have to wait for a till the second part of May. \n\nCheers\n\n","# YOLO_v3_从零开始教程\nPaperspace 教程系列“如何从零开始实现 YOLO v3 目标检测器”（https:\u002F\u002Fblog.paperspace.com\u002Fhow-to-implement-a-yolo-object-detector-in-pytorch\u002F）的配套代码。\n\n以下是该检测器的典型输出示例 ;)\n\n![检测示例](https:\u002F\u002Fi.imgur.com\u002Fm2jwnen.png)\n\n## 关于训练代码\n\n此代码仅作为教程系列的配套内容，不会进行更新。如果你想查看持续更新的 YOLO v3 代码，请访问我的另一个仓库：https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002Fpytorch-yolo-v3\n\n此外，另一个仓库提供了许多自定义选项，而本仓库为了便于读者跟随教程，并未包含这些选项。（我们可不想把读者弄晕吧？）\n\n那么训练代码什么时候会发布呢？我今年五月要完成本科毕业论文，届时会比较忙碌。因此，你可能需要等到五月中旬之后才能看到它。\n\n祝好！","# YOLO_v3_tutorial_from_scratch 快速上手指南\n\n本指南基于 Paperspace 教程系列《如何从零实现 YOLO v3 目标检测器》，旨在帮助开发者快速理解 YOLO v3 的核心原理与代码实现。\n\n> **注意**：本仓库代码专为教学演示设计，功能精简且不再更新。若需用于生产环境或需要更多自定义选项，请访问作者维护的活跃版本：[pytorch-yolo-v3](https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002Fpytorch-yolo-v3)。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**：Linux (推荐 Ubuntu 18.04+)、macOS 或 Windows (需配置 WSL)\n- **Python 版本**：Python 3.6 或更高版本\n- **核心依赖**：\n  - PyTorch (建议版本 1.0+)\n  - OpenCV (`opencv-python`)\n  - NumPy\n  - Pillow\n\n**国内加速建议**：\n安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002FYOLO_v3_tutorial_from_scratch.git\n   cd YOLO_v3_tutorial_from_scratch\n   ```\n\n2. **安装依赖库**\n   \n   使用 pip 安装所需库（推荐国内镜像）：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   \n   *如果项目中没有 `requirements.txt`，请手动安装核心依赖：*\n   ```bash\n   pip install torch torchvision opencv-python numpy pillow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **下载预训练权重**\n   \n   本教程通常需要使用 Darknet 格式的预训练权重文件（如 `yolov3.weights`）。请从官方来源或教程提供的链接下载，并将其放置在项目根目录或代码指定的路径下。\n\n## 基本使用\n\n完成环境配置后，您可以运行检测脚本对图片进行目标检测。\n\n**单张图片检测示例**：\n\n假设您有一张名为 `dog-cycle-car.png` 的图片位于 `data` 文件夹中，运行以下命令：\n\n```bash\npython detect.py --images data --det det --batch_size 1\n```\n\n或者针对单张特定图片：\n\n```bash\npython detect.py --images data\u002Fdog-cycle-car.png --det output_dir\n```\n\n*注：具体命令行参数请以 `detect.py` 文件中的 `argparse` 定义为准。上述命令为典型用法，执行后将在指定输出目录生成带有检测框的图片。*\n\n**预期输出**：\n程序运行结束后，您将看到类似如下效果的处理结果，图中物体被准确框选并标记类别：\n\n![Detection Example](https:\u002F\u002Fi.imgur.com\u002Fm2jwnen.png)","某高校计算机视觉实验室的研究生团队正试图从零构建自定义目标检测模型，以完成关于交通标志识别的本科毕业论文。\n\n### 没有 YOLO_v3_tutorial_from_scratch 时\n- **理论落地困难**：团队成员虽熟读 YOLO v3 论文，但面对复杂的数学公式难以将其转化为可运行的 PyTorch 代码，陷入“懂原理却写不出”的困境。\n- **调试成本高昂**：自行搭建网络架构时，常因维度不匹配或锚框计算错误导致模型无法收敛，排查底层 Bug 耗费了数周时间。\n- **学习曲线陡峭**：缺乏分步引导的代码参考，新手在理解非极大值抑制（NMS）等关键后处理逻辑时极易混淆，严重拖慢研发进度。\n- **定制与简化的矛盾**：现有的成熟开源库功能过于繁杂且封装黑盒，既不利于教学演示，也难以针对特定学术需求进行轻量级修改。\n\n### 使用 YOLO_v3_tutorial_from_scratch 后\n- **代码实现清晰化**：依托该工具提供的伴随代码，团队能逐行对照教程将算法理论映射为具体实现，迅速打通从公式到代码的最后一公里。\n- **快速验证原型**：直接复用其完整的检测流程（包括前向传播与后处理），在几天内即可跑通基准模型并观察到类似官方示例的检测效果。\n- **教学友好性强**：代码刻意去除了冗余的复杂配置，保留了核心逻辑，使学生能专注于理解 YOLO v3 的构建机制而非被工程细节劝退。\n- **灵活二次开发**：在掌握基础架构后，团队基于此简洁版本轻松替换了数据集和锚框参数，成功训练出适配交通场景的专用检测器。\n\nYOLO_v3_tutorial_from_scratch 通过提供透明且易读的从零实现代码，将高深的目标检测算法转化为可执行的教学与实践桥梁，极大降低了学术研究与入门开发的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fayooshkathuria_YOLO_v3_tutorial_from_scratch_4d6e4f99.png","ayooshkathuria","Ayoosh Kathuria","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fayooshkathuria_fba9774e.png","AI Researcher | Reinforcement Learning enthusiast looking for opportunities to use it products for consumers.",null,"Delhi","https:\u002F\u002Fgithub.com\u002Fayooshkathuria",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,2322,715,"2026-04-09T09:48:53","","未说明",{"notes":91,"python":89,"dependencies":92},"该仓库仅为 Paperspace 教程系列的配套代码，不再更新。作者建议如需使用持续更新的 YOLO v3 代码及更多自定义选项，请访问其另一个仓库 (ayooshkathuria\u002Fpytorch-yolo-v3)。由于旨在简化教程跟随过程，本仓库缺少部分高级定制功能。",[93],"pytorch",[14,15],[96,97,98,99,100],"pytorch-tutorial","pytorch-implmention","object-detection","yolo","yolov3","2026-03-27T02:49:30.150509","2026-04-13T13:48:58.692373",[104,109,114,119,124,129],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},31503,"为什么使用相同的配置文件和权重文件，运行结果与原始 Darknet 不同？","这通常是由于代码实现细节或预处理\u002F后处理步骤的差异导致的。维护者已确认并修复了相关问题。如果您遇到此问题，请确保使用的是最新版本的代码库，因为早期版本中存在导致结果不一致的 bug。维护者在更新仓库后已解决了该问题，建议在测试前拉取最新代码。","https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002FYOLO_v3_tutorial_from_scratch\u002Fissues\u002F9",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},31504,"如何修改代码以训练自定义类别数量（例如 10 类）的数据集？","除了修改 cfg 文件中三个 'Yolo' 部分的 classes 参数外，还需要注意预测张量的处理逻辑。在 util.py 的第 105 行附近，代码会创建一个新的张量并计算边界框的角点坐标 (x1, y1, x2, y2)，然后替换原本包含 (x, y, w, h) 的部分。需要注意的是，对象分数（objectness）位于索引 4，而边界框坐标位于索引 0-3，切片操作 [:,:,4] 实际上是指索引 0,1,2,3（即 bbox 的 x,y,width,height），对象分数并未被包含在该切片的重赋值中。确保在修改类别数时，对应的过滤器数量（filters = (classes + 5) * anchors）也正确更新。","https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002FYOLO_v3_tutorial_from_scratch\u002Fissues\u002F6",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},31505,"运行 detect.py 时出现 'torch.FloatTensor type error' 或 TypeError: sub received an invalid combination of arguments 错误，如何解决？","该错误通常发生在计算 IoU 时，由于张量类型不匹配或设备不一致引起。解决方案是使用 `torch.clamp` 来替代手动创建零张量进行比较。具体修改如下：\n将计算 inter_area 的代码：\n`inter_area = torch.max(inter_rect_x2 - inter_rect_x1 + 1, torch.zeros(...)) * ...`\n替换为：\n`inter_area = torch.clamp(inter_rect_x2 - inter_rect_x1 + 1, min=0.0) * torch.clamp(inter_rect_y2 - inter_rect_y1 + 1, min=0.0)`\n注意：`min` 参数应设为 `0.0` 而不是 `0`，因为操作对象是 FloatTensor。这种方法不仅避免了设备（CPU\u002FCUDA）兼容性问题，还减少了内存分配。","https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002FYOLO_v3_tutorial_from_scratch\u002Fissues\u002F10",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},31506,"如何使用不同于默认配置（anchors 6,7,8）的其他锚框数量？","YOLO v3 有三个检测层，分别对应不同尺度的物体。默认的 anchors 0,1,2 用于第 3 个检测层（经过上采样并与第 36 层连接），主要用于检测小物体；anchors 3,4,5 和 6,7,8 分别用于其他层。如果想改变锚框数量，必须明确哪一层预测哪些锚框，且输出层的过滤器数量（filters）需根据新的分布进行调整（filters = (classes + 5) * num_anchors）。对于特定数据集，建议先运行 K-means 聚类生成适合的锚框，然后相应修改 cfg 文件中的 masks 和 anchors 设置，并确保代码中 `prediction.view` 的形状与新锚框数量匹配。","https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002FYOLO_v3_tutorial_from_scratch\u002Fissues\u002F5",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},31507,"本仓库（YOLO_v3_tutorial_from_scratch）与维护者的另一个仓库（pytorch-yolo-v3）有什么区别？","本仓库是一个简化版的教学代码，旨在帮助理解 YOLO v3 的原理，因此不包含训练和评估代码，也不会持续更新功能。而另一个仓库（pytorch-yolo-v3）是功能更完整的版本，包含训练、评估以及更多实用功能（如多尺度检测 `--scales` 标志）。如果您需要实际训练模型或进行生产环境部署，建议使用功能更全的 pytorch-yolo-v3 仓库。","https:\u002F\u002Fgithub.com\u002Fayooshkathuria\u002FYOLO_v3_tutorial_from_scratch\u002Fissues\u002F3",{"id":130,"question_zh":131,"answer_zh":132,"source_url":128},31508,"cfg 文件中的 Route 层索引（正数和负数）是如何工作的？代码中如何处理这些索引？","在 YOLO 的配置文件中，Route 层用于合并之前层的特征图。正数索引表示从第一层开始计数的绝对层号，而负数索引表示从当前层向前倒数的相对层号（例如 -1 表示上一层）。为了统一处理，代码中会将所有正数索引转换为相对负数索引。转换逻辑为：如果 `layers[0] > 0`，则执行 `layers[0] = layers[0] - i`（其中 i 是当前层号）。例如，若引用第 36 层而当前是第 97 层，则索引变为 36 - 97 = -61。这样在前向传播函数中就不需要区分正负索引的情况，简化了逻辑。",[]]