[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-despoisj--DeepAudioClassification":3,"tool-despoisj--DeepAudioClassification":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",154349,2,"2026-04-13T23:32:16",[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":76,"owner_location":77,"owner_email":78,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":76,"difficulty_score":93,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":102,"github_topics":104,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":113},7366,"despoisj\u002FDeepAudioClassification","DeepAudioClassification","Finding the genre of a song with Deep Learning","DeepAudioClassification 是一个基于深度学习的开源项目，旨在自动识别音乐文件的流派。它主要解决了个人音乐库中大量歌曲缺失流派标签、手动整理耗时费力的问题。通过构建一套完整的处理流水线，该工具允许用户利用本地已有的带标签音乐数据训练专属模型，进而为未分类的歌曲自动填补流派信息。\n\n这款工具特别适合具备一定编程基础的开发者、数据科学爱好者或音乐技术研究人员使用。使用者需要配置 Python 环境及 TensorFlow、tflearn 等深度学习框架，并准备原始的 MP3 音频文件。其核心技术亮点在于提供了一套从数据预处理到模型训练的完整闭环：它能将长音频自动切割为适合神经网络处理的片段，支持用户通过修改配置文件灵活调整参数，甚至允许替换底层模型架构。虽然项目尚未内置直接的“一键打标”功能，但作者提供了清晰的函数接口和流程图，方便用户结合 eyed3 等库快速搭建自动化标注流程，是探索音频分类与深度学习应用的优秀实践案例。","# Deep Audio Classification\nA pipeline to build a dataset from your own music library and use it to fill the missing genres\n\nRead the [article on Medium](https:\u002F\u002Fmedium.com\u002F@juliendespois\u002Ffinding-the-genre-of-a-song-with-deep-learning-da8f59a61194#.yhemoyql0)\n\nRequired install:\n\n```\neyed3\nsox --with-lame\ntensorflow\ntflearn\n```\n\n- Create folder Data\u002FRaw\u002F\n- Place your labeled .mp3 files in Data\u002FRaw\u002F\n\nTo create the song slices (might be long):\n\n```\npython main.py slice\n```\n\nTo train the classifier (long too):\n\n```\npython main.py train\n```\n\nTo test the classifier (fast):\n\n```\npython main.py test\n```\n\n- Most editable parameters are in the config.py file, the model can be changed in the model.py file.\n- I haven't implemented the pipeline to label new songs with the model, but that can be easily done with the provided functions, and eyed3 for the mp3 manipulation. Here's the full pipeline you would need to use.\n\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdespoisj_DeepAudioClassification_readme_cd5822b0945c.png)\n","# 深度音频分类\n一个从您自己的音乐库中构建数据集，并用其填补缺失流派的流程\n\n阅读 [Medium 上的文章](https:\u002F\u002Fmedium.com\u002F@juliendespois\u002Ffinding-the-genre-of-a-song-with-deep-learning-da8f59a61194#.yhemoyql0)\n\n所需安装：\n\n```\neyed3\nsox --with-lame\ntensorflow\ntflearn\n```\n\n- 创建文件夹 Data\u002FRaw\u002F\n- 将您已标注的 .mp3 文件放入 Data\u002FRaw\u002F\n\n创建歌曲片段（可能耗时较长）：\n\n```\npython main.py slice\n```\n\n训练分类器（同样耗时较长）：\n\n```\npython main.py train\n```\n\n测试分类器（速度较快）：\n\n```\npython main.py test\n```\n\n- 大多数可编辑的参数位于 config.py 文件中，模型可以在 model.py 文件中更改。\n- 我尚未实现使用该模型为新歌曲打标的流程，但借助提供的函数和 eyed3 库进行 mp3 文件操作，这很容易完成。以下是您需要使用的完整流程。\n\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdespoisj_DeepAudioClassification_readme_cd5822b0945c.png)","# DeepAudioClassification 快速上手指南\n\nDeepAudioClassification 是一个基于深度学习的音频分类工具，可用于从个人音乐库构建数据集，并自动补全缺失的音乐流派标签。\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS（Windows 需配置 WSL 或类似环境以支持 `sox`）\n- Python 版本：建议 Python 3.6+\n- 磁盘空间：需预留足够空间存放原始音频及切片数据\n\n### 前置依赖\n请确保系统已安装以下基础依赖：\n- **sox**：音频处理工具（必须包含 `lame` 编码支持）\n- **eyed3**：用于读取和写入 MP3 元数据\n\n## 安装步骤\n\n1. **安装系统级依赖（以 Ubuntu\u002FDebian 为例）**\n   ```bash\n   sudo apt-get update\n   sudo apt-get install sox libsox-fmt-mp3\n   ```\n   *注：macOS 用户可使用 `brew install sox`*\n\n2. **安装 Python 依赖**\n   建议使用国内镜像源加速安装（如清华源）：\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple eyed3 tensorflow tflearn\n   ```\n   *注意：`tensorflow` 版本需与 `tflearn` 兼容，如遇版本冲突请参考 tflearn 官方文档指定版本安装。*\n\n3. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fdespoisj\u002FDeepAudioClassification.git\n   cd DeepAudioClassification\n   ```\n\n## 基本使用\n\n### 1. 准备数据\n在项目根目录下创建原始数据文件夹，并将已标记好流派信息的 `.mp3` 文件放入其中：\n```bash\nmkdir -p Data\u002FRaw\n# 将您的 .mp3 文件复制至 Data\u002FRaw\u002F 目录\n```\n*确保 MP3 文件的 ID3 标签中已正确填写 Genre 信息，工具将以此作为训练标签。*\n\n### 2. 生成音频切片\n将长音频切割为模型可处理的片段（此过程耗时较长）：\n```bash\npython main.py slice\n```\n\n### 3. 训练分类器\n使用切片数据训练深度学习模型（此过程耗时较长，建议使用 GPU）：\n```bash\npython main.py train\n```\n*如需调整超参数或模型结构，可编辑 `config.py` 和 `model.py` 文件。*\n\n### 4. 测试模型\n快速验证训练好的分类器效果：\n```bash\npython main.py test\n```\n\n### 进阶：自动化标注新歌曲\n虽然项目未直接提供一键标注脚本，但您可以结合 `main.py` 中的函数与 `eyed3` 库自行编写脚本，实现对新歌曲的流派预测并写入 MP3 标签，完整流程参考项目架构图。","一位独立音乐开发者正在整理其包含数千首未标记流派信息的本地 MP3 收藏，试图构建一个智能推荐系统。\n\n### 没有 DeepAudioClassification 时\n- 面对海量无标签音频文件，只能依靠人工逐首试听并手动填写元数据，耗时数周且极易疲劳出错。\n- 由于缺乏统一的分类标准，不同人员对同一首歌的流派判断主观性强，导致数据集标签混乱，无法用于训练模型。\n- 想要利用深度学习进行分析，却因缺少从原始音频到标准化切片（Slices）的预处理流水线，不得不自行编写复杂的信号处理代码。\n- 现有的通用分类器无法针对个人独特的音乐品味或小众曲风进行微调，导致识别准确率在实际应用中大打折扣。\n\n### 使用 DeepAudioClassification 后\n- 只需将带部分标签的 MP3 放入指定目录，运行 `slice` 命令即可自动完成音频切片与特征提取，将数周的工作量缩短至几小时。\n- 基于自有音乐库训练专属分类模型，能够精准捕捉用户特定的流派定义，显著提升了标签的一致性与准确性。\n- 利用训练好的模型配合 `eyed3` 库，可一键批量预测剩余未知歌曲的流派并自动写入文件元数据，实现了全流程自动化。\n- 通过修改 `config.py` 和 `model.py`，开发者能灵活调整网络结构与参数，轻松适配从古典爵士到电子实验等各种复杂场景。\n\nDeepAudioClassification 将繁琐的人工听歌打标转化为高效的自动化深度学习流水线，让个人音乐库的智能化整理变得触手可及。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdespoisj_DeepAudioClassification_03d7b49b.png","despoisj","Julien Despois","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdespoisj_148f8ed2.jpg","Machine Learning & Deep Learning Scientist @ L'Oreal.\r\nMusic enthusiast.",null,"Paris, France","despois.j@gmail.com","www.linkedin.com\u002Fin\u002Fjuliendespois\u002Fen","https:\u002F\u002Fgithub.com\u002Fdespoisj",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",97.5,{"name":87,"color":88,"percentage":89},"Dockerfile","#384d54",2.5,1115,218,"2026-04-10T19:10:50",4,"未说明",{"notes":96,"python":94,"dependencies":97},"需要安装系统级工具 sox 并启用 lame 编码支持；需手动创建 Data\u002FRaw\u002F 目录存放带标签的 MP3 文件；切片和训练过程耗时较长；README 提到可使用 eyed3 进行 MP3 操作以扩展管道功能。",[98,99,100,101],"eyed3","sox (--with-lame)","tensorflow","tflearn",[14,103],"音频",[105,106,107,108,109],"deep-learning","machine-learning","neural-networks","artificial-intelligence","music","2026-03-27T02:49:30.150509","2026-04-14T12:35:38.893285",[],[]]