[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dbolya--tide":3,"tool-dbolya--tide":62},[4,18,26,35,44,53],{"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},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。",108111,2,"2026-04-08T11:23:26",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[43,15,13,14],"语言模型",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":59,"last_commit_at":60,"category_tags":61,"status":17},5646,"opencv","opencv\u002Fopencv","OpenCV 是一个功能强大的开源计算机视觉库，被誉为机器视觉领域的“瑞士军刀”。它主要解决让计算机“看懂”图像和视频的核心难题，提供了从基础的图像读取、色彩转换、边缘检测，到复杂的人脸识别、物体追踪、3D 重建及深度学习模型部署等全方位算法支持。无论是处理静态图片还是分析实时视频流，OpenCV 都能高效完成特征提取与模式识别任务。\n\n这款工具特别适合计算机视觉开发者、人工智能研究人员以及机器人工程师使用。对于希望将视觉感知能力集成到应用中的软件工程师，或是需要快速验证算法原型的学术研究者，OpenCV 都是不可或缺的基础设施。虽然普通用户通常不会直接操作代码，但日常生活中使用的扫码支付、美颜相机和自动驾驶系统，背后往往都有它的身影。\n\nOpenCV 的独特亮点在于其卓越的性能与广泛的兼容性。它采用 C++ 编写以确保高速运算，同时提供 Python、Java 等多种语言接口，极大降低了开发门槛。库中内置了数千种优化算法，并支持跨平台运行，能够无缝对接各类硬件加速器。作为社区驱动的项目，OpenCV 拥有活跃的生态系统和丰富的学习资源，持续推动着视觉技术的前沿发展。",86988,1,"2026-04-08T16:06:22",[14,15],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"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":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":59,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":94,"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},5640,"dbolya\u002Ftide","tide","A General Toolbox for Identifying Object Detection Errors","Tide 是一款专为目标检测和实例分割模型打造的通用错误分析工具箱。在人工智能视觉任务中，模型往往能给出一个综合评分，但开发者很难直观地知道分数低究竟是因为定位不准、分类错误，还是漏检了目标。Tide 正是为了解决这一痛点而生，它能深入拆解模型表现，将整体误差量化为分类错误、定位偏差、重复检测、背景误判及漏检等具体维度，并生成清晰的表格与可视化图表。\n\n这款工具特别适合计算机视觉领域的研究人员、算法工程师以及正在优化检测模型的开发团队使用。作为 COCO 评估工具包的轻量级替代方案，Tide 无需复杂配置，仅需几行代码即可接入主流数据集（如 COCO、LVIS、Cityscapes 等），快速输出详细的诊断报告。其核心亮点在于不仅能展示“主误差”来源，还能区分假阳性与假阴性带来的特殊影响，帮助使用者精准定位模型短板，从而有针对性地调整训练策略或网络结构，高效提升模型性能。","# A General **T**oolbox for **I**dentifying Object **D**etection **E**rrors\n```\n████████╗██╗██████╗ ███████╗\n╚══██╔══╝██║██╔══██╗██╔════╝\n   ██║   ██║██║  ██║█████╗  \n   ██║   ██║██║  ██║██╔══╝  \n   ██║   ██║██████╔╝███████╗\n   ╚═╝   ╚═╝╚═════╝ ╚══════╝\n```\n\nAn easy-to-use, general toolbox to compute and evaluate the effect of object detection and instance segmentation on overall performance. This is the code for our paper: [TIDE: A General Toolbox for Identifying Object Detection Errors](https:\u002F\u002Fdbolya.github.io\u002Ftide\u002Fpaper.pdf) ([ArXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.08115)) [ECCV2020 Spotlight].\n\nCheck out our ECCV 2020 short video for an explanation of what TIDE can do:\n\n[![TIDE Introduction](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdbolya_tide_readme_0a78dc88d67a.jpg)](https:\u002F\u002Fyoutu.be\u002FMcYFYU3PXcU)\n\n# Installation\n\nTIDE is available as a python package for python 3.6+ as [tidecv](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftidecv\u002F). To install, simply install it with pip:\n```shell\npip3 install tidecv\n```\n\nThe current version is v1.0.1 ([changelog](https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fblob\u002Fmaster\u002FCHANGELOG.md)).\n\n# Usage\nTIDE is meant as a drop-in replacement for the [COCO Evaluation toolkit](https:\u002F\u002Fgithub.com\u002Fcocodataset\u002Fcocoapi), and getting started is easy:\n\n```python\nfrom tidecv import TIDE, datasets\n\ntide = TIDE()\ntide.evaluate(datasets.COCO(), datasets.COCOResult('path\u002Fto\u002Fyour\u002Fresults\u002Ffile'), mode=TIDE.BOX) # Use TIDE.MASK for masks\ntide.summarize()  # Summarize the results as tables in the console\ntide.plot()       # Show a summary figure. Specify a folder and it'll output a png to that folder.\n```\n\nThis prints evaluation summary tables to the console:\n```\n-- mask_rcnn_bbox --\n\nbbox AP @ 50: 61.80\n\n                         Main Errors\n=============================================================\n  Type      Cls      Loc     Both     Dupe      Bkg     Miss\n-------------------------------------------------------------\n   dAP     3.40     6.65     1.18     0.19     3.96     7.53\n=============================================================\n\n        Special Error\n=============================\n  Type   FalsePos   FalseNeg\n-----------------------------\n   dAP      16.28      15.57\n=============================\n```\n\nAnd a summary plot for your model's errors:\n\n![A summary plot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdbolya_tide_readme_552f56bbaf67.png)\n\n## Jupyter Notebook\n\nCheck out the [example notebook](https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fblob\u002Fmaster\u002Fexamples\u002Fcoco_instance_segmentation.ipynb) for more details.\n\n\n# Datasets\nThe currently supported datasets are COCO, LVIS, Pascal, and Cityscapes. More details and documentation on how to write your own database drivers coming soon!\n\n# Citation\nIf you use TIDE in your project, please cite\n```\n@inproceedings{tide-eccv2020,\n  author    = {Daniel Bolya and Sean Foley and James Hays and Judy Hoffman},\n  title     = {TIDE: A General Toolbox for Identifying Object Detection Errors},\n  booktitle = {ECCV},\n  year      = {2020},\n}\n```\n\n## Contact\nFor questions about our paper or code, make an issue in this github or contact [Daniel Bolya](mailto:dbolya@gatech.edu). Note that I may not respond to emails, so github issues are your best bet.\n","# 用于识别目标检测错误的通用工具箱\n```\n████████╗██╗██████╗ ███████╗\n╚══██╔══╝██║██╔══██╗██╔════╝\n   ██║   ██║██║  ██║█████╗  \n   ██║   ██║██║  ██║██╔══╝  \n   ██║   ██║██████╔╝███████╗\n   ╚═╝   ╚═╝╚═════╝ ╚══════╝\n```\n\n一个易于使用、通用的工具箱，用于计算和评估目标检测及实例分割对整体性能的影响。这是我们的论文代码：[TIDE：用于识别目标检测错误的通用工具箱](https:\u002F\u002Fdbolya.github.io\u002Ftide\u002Fpaper.pdf)（[ArXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.08115)）[ECCV2020 Spotlight]。\n\n请观看我们在 ECCV 2020 的简短视频，了解 TIDE 能做什么：\n\n[![TIDE 简介](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdbolya_tide_readme_0a78dc88d67a.jpg)](https:\u002F\u002Fyoutu.be\u002FMcYFYU3PXcU)\n\n# 安装\n\nTIDE 作为一个 Python 包，适用于 Python 3.6 及以上版本，包名为 [tidecv](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftidecv\u002F)。安装方法非常简单，只需使用 pip 即可：\n```shell\npip3 install tidecv\n```\n\n当前版本为 v1.0.1（[变更日志](https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fblob\u002Fmaster\u002FCHANGELOG.md)）。\n\n# 使用\n\nTIDE 可以直接替代 [COCO 评估工具包](https:\u002F\u002Fgithub.com\u002Fcocodataset\u002Fcocoapi)，上手非常容易：\n\n```python\nfrom tidecv import TIDE, datasets\n\ntide = TIDE()\ntide.evaluate(datasets.COCO(), datasets.COCOResult('path\u002Fto\u002Fyour\u002Fresults\u002Ffile'), mode=TIDE.BOX) # 使用 TIDE.MASK 处理掩码\ntide.summarize()  # 在控制台中以表格形式汇总结果\ntide.plot()       # 显示汇总图表。指定文件夹后，会将图片输出到该文件夹。\n```\n\n这会在控制台打印出评估摘要表：\n```\n-- mask_rcnn_bbox --\n\nbbox AP @ 50: 61.80\n\n                         主要错误\n=============================================================\n  类型      类别      位置     同时     重复      背景     漏检\n-------------------------------------------------------------\n   dAP     3.40     6.65     1.18     0.19     3.96     7.53\n=============================================================\n\n        特殊错误\n=============================\n  类型   假阳性   假阴性\n-----------------------------\n   dAP      16.28      15.57\n=============================\n```\n\n以及您模型错误的汇总图表：\n\n![汇总图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdbolya_tide_readme_552f56bbaf67.png)\n\n## Jupyter Notebook\n\n更多详细信息，请参阅[示例笔记本](https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fblob\u002Fmaster\u002Fexamples\u002Fcoco_instance_segmentation.ipynb)。\n\n# 数据集\n\n目前支持的数据集包括 COCO、LVIS、Pascal 和 Cityscapes。关于如何编写自定义数据集驱动程序的更多细节和文档即将发布！\n\n# 引用\n\n如果您在项目中使用了 TIDE，请引用以下内容：\n```\n@inproceedings{tide-eccv2020,\n  author    = {Daniel Bolya and Sean Foley and James Hays and Judy Hoffman},\n  title     = {TIDE: A General Toolbox for Identifying Object Detection Errors},\n  booktitle = {ECCV},\n  year      = {2020},\n}\n```\n\n## 联系方式\n\n如有关于论文或代码的问题，请在此 GitHub 仓库中提交 Issue，或联系 [Daniel Bolya](mailto:dbolya@gatech.edu)。请注意，我可能不会回复邮件，因此 GitHub Issue 是最佳选择。","# TIDE 快速上手指南\n\nTIDE (Toolbox for Identifying Object Detection Errors) 是一个用于分析和评估目标检测及实例分割模型错误的通用工具。它能帮助开发者快速定位模型性能瓶颈（如分类错误、定位不准、漏检等），是 COCO 评估工具集的增强替代方案。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：Python 3.6 及以上\n*   **前置依赖**：无需额外安装复杂依赖，`pip` 会自动处理所需库（如 `numpy`, `matplotlib` 等）。\n\n## 安装步骤\n\n推荐使用国内镜像源加速安装（以清华源为例）：\n\n```shell\npip3 install tidecv -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n或者使用官方源安装：\n\n```shell\npip3 install tidecv\n```\n\n当前稳定版本为 v1.0.1。\n\n## 基本使用\n\nTIDE 旨在作为 [COCO Evaluation toolkit](https:\u002F\u002Fgithub.com\u002Fcocodataset\u002Fcocoapi) 的直接替代品。以下是最简单的使用流程，用于评估目标检测框（Box）或实例分割掩码（Mask）的结果。\n\n### 代码示例\n\n创建一个 Python 脚本（例如 `run_tide.py`），填入以下代码：\n\n```python\nfrom tidecv import TIDE, datasets\n\n# 初始化 TIDE\ntide = TIDE()\n\n# 执行评估\n# 参数说明:\n# 1. datasets.COCO(): 使用标准的 COCO 验证集标注\n# 2. datasets.COCOResult('path\u002Fto\u002Fyour\u002Fresults\u002Ffile'): 替换为你的模型结果文件路径 (JSON 格式)\n# 3. mode=TIDE.BOX: 评估目标检测框; 若评估实例分割请改为 mode=TIDE.MASK\ntide.evaluate(datasets.COCO(), datasets.COCOResult('path\u002Fto\u002Fyour\u002Fresults\u002Ffile'), mode=TIDE.BOX)\n\n# 在控制台打印详细的错误分析表格\ntide.summarize()\n\n# 生成并展示错误分析总结图\n# 若指定文件夹路径，图片将保存至该目录，否则直接显示\ntide.plot() \n```\n\n### 输出解读\n\n运行上述代码后，你将获得两部分核心输出：\n\n1.  **控制台表格**：量化展示各类错误对平均精度（AP）的影响，包括分类错误 (Cls)、定位错误 (Loc)、重复检测 (Dupe)、背景误检 (Bkg) 和漏检 (Miss)。\n    ```text\n    -- mask_rcnn_bbox --\n\n    bbox AP @ 50: 61.80\n\n                             Main Errors\n    =============================================================\n      Type      Cls      Loc     Both     Dupe      Bkg     Miss\n    -------------------------------------------------------------\n       dAP     3.40     6.65     1.18     0.19     3.96     7.53\n    =============================================================\n    ```\n\n2.  **可视化图表**：自动生成一张总结图，直观展示模型的主要错误分布，帮助优先优化方向。\n\n> **提示**：更多高级用法（如自定义数据集、Jupyter Notebook 交互分析）请参考官方 [example notebook](https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fblob\u002Fmaster\u002Fexamples\u002Fcoco_instance_segmentation.ipynb)。","某自动驾驶团队正在迭代其车载感知模型，急需定位目标检测算法在复杂路况下漏检行人和误判障碍物的具体原因。\n\n### 没有 tide 时\n- 开发人员只能依赖传统的 mAP 单一指标，知道模型效果变差，却无法量化区分是分类错误还是定位不准导致的。\n- 面对成千上万张测试图片的失败案例，只能靠人工随机抽样查看，效率极低且容易遗漏系统性偏差（如特定尺寸物体的漏检）。\n- 难以判断模型是将背景误认为物体（False Positive），还是完全没检测到目标（False Negative），导致优化方向模糊。\n- 缺乏直观的可视化图表向非技术背景的团队成员展示模型缺陷，沟通成本高昂。\n\n### 使用 tide 后\n- tide 将整体误差拆解为分类（Cls）、定位（Loc）、重复检测（Dupe）等六大类具体错误，直接指出“定位不准”是主要瓶颈。\n- 自动生成详细的误差分布表和总结图，让团队瞬间发现模型在“小目标漏检”和“背景误报”上的具体数据表现。\n- 清晰区分假阳性与假阴性带来的性能损失，指导工程师针对性地调整锚框策略或增加难例挖掘，而非盲目调参。\n- 一键输出专业的可视化报告，直观呈现各类错误占比，极大提升了跨部门技术评审的效率。\n\ntide 的核心价值在于将黑盒般的模型失败转化为可量化、可归因的具体行动指南，让算法优化从“凭感觉”转向“看数据”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdbolya_tide_552f56bb.png","dbolya","Daniel Bolya","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdbolya_1d9a23d0.png",null,"https:\u002F\u002Fgithub.com\u002Fdbolya",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,735,116,"2026-04-07T09:33:17","MIT","","未说明",{"notes":90,"python":91,"dependencies":92},"该工具作为 COCO 评估工具包的替代品安装，支持的数据集包括 COCO、LVIS、Pascal 和 Cityscapes。README 中未明确提及操作系统、GPU 及内存的具体需求，通常此类评估工具对硬件要求较低，主要依赖 CPU 进行误差分析计算。","3.6+",[93],"tidecv",[95,15],"其他",[97,98,99,100,101,102],"object-detection","instance-segmentation","evaluation","toolbox","errors","error-detection","2026-03-27T02:49:30.150509","2026-04-09T05:23:54.906830",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},25591,"为什么 TIDE 输出的 mAP 值与 pycocotools 的结果不一致？","通常是因为加载数据集的方式不正确。如果 ground truth 和预测结果都是 COCO 格式，使用 `tidecv.datasets.COCO` 加载会忽略检测结果中的 `score` 字段。正确的做法是：Ground Truth 使用 `tidecv.datasets.COCO` 加载，而预测结果必须使用 `tidecv.datasets.COCOResult` 加载以保留置信度分数。此外，请检查自定义 COCO 格式的标注 ID 是否从 0 开始，如果是，该标注将被忽略，请确保标注 ID 从 1 开始。","https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fissues\u002F14",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},25592,"在 PASCAL VOC 数据集上评估时，为什么 mAP 极低（例如 5.7）而与其他框架（如 mmdetection）差异巨大？","这通常是因为传入 `evaluate` 或 `evaluate_range` 函数的参数顺序错误，或者图像 ID 不匹配。请尝试交换预测结果（pred）和真实标签（gt）的位置。同时，务必确认你的图像 ID（img_id）与标注文件中的 ID 完全一致。如果图像 ID 不匹配（例如使用了随机 ID），会导致无法正确匹配检测框，从而产生极低的 mAP。","https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fissues\u002F29",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},25593,"调用 summarize() 或 plot() 时出现 'ZeroDivisionError: float division by zero' 错误怎么办？","该错误通常发生在所有误差均为 0 或 mAP 为 0 时（例如检测结果与真实标签完全没有重叠，或者修复某类误差后没有剩余检测结果）。首先，请确认你选择了正确的评估模式（`TIDE.BOX` 用于检测框，`TIDE.MASK` 用于分割掩码）。如果数据和结果文件在标准的 COCOEval 中能正常运行，但在 TIDE 中报错，可能是由于数据极端情况导致的计算除零，建议检查数据质量或尝试重新安装 TIDE。","https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fissues\u002F10",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},25594,"可以直接使用 TIDE 基于 COCO 指标来评估 PASCAL VOC 数据集吗？","可以，但需要注意两者的评估协议不同。PASCAL VOC 指标通常会贪婪地寻找最佳匹配（使用 IoU 标准），如果当前预测框已匹配成功则标记后续为假；而 COCO 指标即使当前最佳匹配已被占用，搜索仍会继续。因此，同一组检测结果在两种指标下得出的 mAP 会有差异（通常 VOC 指标比 COCO 指标高约 10%）。TIDE 旨在帮助分析如何改进模型，使用 COCO 指标是合理的，但在对比时需知晓这一差异。","https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fissues\u002F24",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},25595,"TIDE 是否支持按类别（per-class）的召回率或指标统计？","目前 TIDE 主要提供整体的误差分析和 mAP 统计。如果需要对比按类别的具体指标差异，建议创建一个新 Issue 并提供 TIDE 输出与 pycocotools 输出的具体对比数据，以便开发者评估是否添加此功能或排查特定类别的计算差异。","https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fissues\u002F11",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},25596,"当所有误差都为 0 时，为什么绘图或总结功能会崩溃？","这是因为当检测框与真实标签完全没有重叠，或者模型表现极好\u002F极差导致某些误差项总和为 0 时，代码在计算误差占比时会执行除以零的操作。这通常意味着检测结果无效或数据存在严重问题（如 ID 不匹配）。请检查输入数据的格式和图像 ID 的对应关系。","https:\u002F\u002Fgithub.com\u002Fdbolya\u002Ftide\u002Fissues\u002F16",[]]