[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-eldar--pose-tensorflow":3,"tool-eldar--pose-tensorflow":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":76,"owner_email":77,"owner_twitter":75,"owner_website":78,"owner_url":79,"languages":80,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":10,"env_os":109,"env_gpu":110,"env_ram":109,"env_deps":111,"category_tags":125,"github_topics":126,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":130,"updated_at":131,"faqs":132,"releases":162},9136,"eldar\u002Fpose-tensorflow","pose-tensorflow"," Human Pose estimation with TensorFlow framework ","pose-tensorflow 是一个基于 TensorFlow 框架开源的人体姿态估计项目，旨在让计算机能够精准识别图像或视频中人物的关节位置（如手肘、膝盖等），并描绘出完整的人体骨架。它主要解决了在复杂场景下，尤其是画面中存在多人重叠或遮挡时，如何准确区分并追踪每个人物姿态的技术难题。\n\n该项目复现了计算机视觉领域经典的 DeeperCut 和 ArtTrack 算法，其核心亮点在于强大的多人姿态估计能力。不同于仅能处理单人图片的简易模型，pose-tensorflow 能够有效应对“野外”环境下的多目标跟踪任务，在学术研究和实际应用中均表现优异。\n\n由于该工具提供了完整的训练与预测代码，且依赖 Python 3 和 TensorFlow 环境，配置过程涉及一定的命令行操作和深度学习基础，因此它更适合人工智能开发者、计算机视觉研究人员以及相关领域的学生使用。对于希望深入理解人体姿态估计算法原理、复现经典论文成果，或需要在此基础上进行二次开发的专业人士来说，pose-tensorflow 是一个极具参考价值的开源基准实现。普通用户若无需修改源码，可能更适合直接使用封装好的成品应用。","# Human Pose Estimation with TensorFlow\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feldar_pose-tensorflow_readme_e0e015454c77.png)\n\nHere you can find the implementation of the Human Body Pose Estimation algorithm,\npresented in the [DeeperCut](http:\u002F\u002Farxiv.org\u002Fabs\u002F1605.03170) and [ArtTrack](http:\u002F\u002Farxiv.org\u002Fabs\u002F1612.01465) papers:\n\n**Eldar Insafutdinov, Leonid Pishchulin, Bjoern Andres, Mykhaylo Andriluka and Bernt Schiele\nDeeperCut:  A Deeper, Stronger, and Faster Multi-Person Pose Estimation Model.\nIn _European Conference on Computer Vision (ECCV)_, 2016**\n\n**Eldar Insafutdinov, Mykhaylo Andriluka, Leonid Pishchulin, Siyu Tang, Evgeny Levinkov, Bjoern Andres and Bernt Schiele\nArtTrack: Articulated Multi-person Tracking in the Wild.\nIn _Conference on Computer Vision and Pattern Recognition (CVPR)_, 2017**\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fwww.mpi-inf.mpg.de\u002Fdepartments\u002Fcomputer-vision-and-multimodal-computing\u002F\">\u003Cimg width=\"50%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feldar_pose-tensorflow_readme_6ea884ef30b6.png\">\u003C\u002Fa>\n\u003C\u002Fp>\n\nFor more information visit http:\u002F\u002Fpose.mpi-inf.mpg.de\n\n## Prerequisites\n\nThe implementation is in Python 3 and TensorFlow. We recommended using `conda` to install the dependencies.\nFirst, create a Python 3.6 environment:\n\n```bash\nconda create -n py36 python=3.6\nconda activate py36\n```\n\nThen, install basic dependencies with conda:\n\n```bash\nconda install numpy scikit-image pillow scipy pyyaml matplotlib cython\n```\n\nInstall TensorFlow and remaining packages with pip:\n```bash\npip install tensorflow-gpu easydict munkres\n```\n\nWhen running training or prediction scripts, please make sure to set the environment variable\n`TF_CUDNN_USE_AUTOTUNE` to 0 (see [this ticket](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002F5048)\nfor explanation).\n\nIf your machine has multiple GPUs, you can select which GPU you want to run on\nby setting the environment variable, eg. `CUDA_VISIBLE_DEVICES=0`.\n\n## Demo code\n\nSingle-Person (if there is only one person in the image)\n\n```\n# Download pre-trained model files\n$ cd models\u002Fmpii\n$ .\u002Fdownload_models.sh\n$ cd -\n\n# Run demo of single person pose estimation\n$ TF_CUDNN_USE_AUTOTUNE=0 python3 demo\u002Fsingleperson.py\n```\n\nMultiple People\n\n```\n# Compile dependencies\n$ .\u002Fcompile.sh\n\n# Download pre-trained model files\n$ cd models\u002Fcoco\n$ .\u002Fdownload_models.sh\n$ cd -\n\n# Run demo of multi person pose estimation\n$ TF_CUDNN_USE_AUTOTUNE=0 python3 demo\u002Fdemo_multiperson.py\n```\n\n## Training models\n\nPlease follow these [instructions](models\u002FREADME.md)\n\n## Citation\nPlease cite ArtTrack and DeeperCut in your publications if it helps your research:\n\n    @inproceedings{insafutdinov2017cvpr,\n\t    title = {ArtTrack: Articulated Multi-person Tracking in the Wild},\n\t    booktitle = {CVPR'17},\n\t    url = {http:\u002F\u002Farxiv.org\u002Fabs\u002F1612.01465},\n\t    author = {Eldar Insafutdinov and Mykhaylo Andriluka and Leonid Pishchulin and Siyu Tang and Evgeny Levinkov and Bjoern Andres and Bernt Schiele}\n    }\n\n    @article{insafutdinov2016eccv,\n        title = {DeeperCut: A Deeper, Stronger, and Faster Multi-Person Pose Estimation Model},\n\t    booktitle = {ECCV'16},\n        url = {http:\u002F\u002Farxiv.org\u002Fabs\u002F1605.03170},\n        author = {Eldar Insafutdinov and Leonid Pishchulin and Bjoern Andres and Mykhaylo Andriluka and Bernt Schiele}\n    }\n\n","# 使用 TensorFlow 进行人体姿态估计\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feldar_pose-tensorflow_readme_e0e015454c77.png)\n\n在这里，您可以找到人体姿态估计算法的实现，该算法分别在 [DeeperCut](http:\u002F\u002Farxiv.org\u002Fabs\u002F1605.03170) 和 [ArtTrack](http:\u002F\u002Farxiv.org\u002Fabs\u002F1612.01465) 论文中提出：\n\n**Eldar Insafutdinov、Leonid Pishchulin、Bjoern Andres、Mykhaylo Andriluka 和 Bernt Schiele  \nDeeperCut：一种更深入、更强健且更快的多人姿态估计模型。  \n载于 _欧洲计算机视觉会议 (ECCV)_，2016 年**\n\n**Eldar Insafutdinov、Mykhaylo Andriluka、Leonid Pishchulin、Siyu Tang、Evgeny Levinkov、Bjoern Andres 和 Bernt Schiele  \nArtTrack：野外环境下的多人体关节式跟踪。  \n载于 _计算机视觉与模式识别会议 (CVPR)_，2017 年**\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fwww.mpi-inf.mpg.de\u002Fdepartments\u002Fcomputer-vision-and-multimodal-computing\u002F\">\u003Cimg width=\"50%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feldar_pose-tensorflow_readme_6ea884ef30b6.png\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n更多信息请访问 http:\u002F\u002Fpose.mpi-inf.mpg.de\n\n## 前置条件\n\n本实现基于 Python 3 和 TensorFlow。我们建议使用 `conda` 来安装依赖项。首先，创建一个 Python 3.6 环境：\n\n```bash\nconda create -n py36 python=3.6\nconda activate py36\n```\n\n然后，使用 conda 安装基本依赖项：\n\n```bash\nconda install numpy scikit-image pillow scipy pyyaml matplotlib cython\n```\n\n再使用 pip 安装 TensorFlow 及其余软件包：\n```bash\npip install tensorflow-gpu easydict munkres\n```\n\n运行训练或预测脚本时，请确保将环境变量 `TF_CUDNN_USE_AUTOTUNE` 设置为 0（详情请参阅 [此问题](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002F5048)）。\n\n如果您的机器有多块 GPU，可以通过设置环境变量来选择使用的 GPU，例如 `CUDA_VISIBLE_DEVICES=0`。\n\n## 示例代码\n\n单人场景（图像中仅有一人）\n\n```\n# 下载预训练模型文件\n$ cd models\u002Fmpii\n$ .\u002Fdownload_models.sh\n$ cd -\n\n# 运行单人姿态估计示例\n$ TF_CUDNN_USE_AUTOTUNE=0 python3 demo\u002Fsingleperson.py\n```\n\n多人场景\n\n```\n# 编译依赖项\n$ .\u002Fcompile.sh\n\n# 下载预训练模型文件\n$ cd models\u002Fcoco\n$ .\u002Fdownload_models.sh\n$ cd -\n\n# 运行多人姿态估计示例\n$ TF_CUDNN_USE_AUTOTUNE=0 python3 demo\u002Fdemo_multiperson.py\n```\n\n## 模型训练\n\n请按照这些 [说明](models\u002FREADME.md) 进行操作。\n\n## 引用\n\n如果您认为对研究有帮助，请在您的出版物中引用 ArtTrack 和 DeeperCut：\n\n    @inproceedings{insafutdinov2017cvpr,\n\t    title = {ArtTrack: 野外环境下的多人体关节式跟踪},\n\t    booktitle = {CVPR'17},\n\t    url = {http:\u002F\u002Farxiv.org\u002Fabs\u002F1612.01465},\n\t    author = {Eldar Insafutdinov、Mykhaylo Andriluka、Leonid Pishchulin、Siyu Tang、Evgeny Levinkov、Bjoern Andres 和 Bernt Schiele}\n    }\n\n    @article{insafutdinov2016eccv,\n        title = {DeeperCut：一种更深入、更强健且更快的多人姿态估计模型},\n\t    booktitle = {ECCV'16},\n        url = {http:\u002F\u002Farxiv.org\u002Fabs\u002F1605.03170},\n        author = {Eldar Insafutdinov、Leonid Pishchulin、Bjoern Andres、Mykhaylo Andriluka 和 Bernt Schiele}\n    }","# pose-tensorflow 快速上手指南\n\n## 环境准备\n\n本项目基于 **Python 3.6** 和 **TensorFlow** 开发，推荐在 Linux 环境下运行。请确保您的系统已安装 `conda` 包管理器，并具备支持 CUDA 的 NVIDIA GPU（如需使用 GPU 加速）。\n\n**前置依赖：**\n- Python 3.6\n- conda\n- NVIDIA GPU 及对应驱动（可选，用于加速）\n\n## 安装步骤\n\n### 1. 创建并激活虚拟环境\n首先创建一个名为 `py36` 的 Python 3.6 环境：\n\n```bash\nconda create -n py36 python=3.6\nconda activate py36\n```\n\n### 2. 安装基础依赖\n使用 conda 安装必要的科学计算库：\n\n```bash\nconda install numpy scikit-image pillow scipy pyyaml matplotlib cython\n```\n\n> **提示**：国内用户可添加清华或中科大镜像源以加速下载，例如：\n> `conda install -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain ...`\n\n### 3. 安装 TensorFlow 及其他包\n使用 pip 安装 TensorFlow（GPU 版本）和其他辅助库：\n\n```bash\npip install tensorflow-gpu easydict munkres\n```\n\n> **注意**：运行训练或预测脚本前，务必设置环境变量 `TF_CUDNN_USE_AUTOTUNE=0` 以避免潜在错误。若机器有多张显卡，可通过 `CUDA_VISIBLE_DEVICES` 指定使用的 GPU（例如：`export CUDA_VISIBLE_DEVICES=0`）。\n\n## 基本使用\n\n本工具提供单人姿态估计和多人姿态估计两种演示模式。\n\n### 模式一：单人姿态估计 (Single-Person)\n适用于图像中仅包含一个人的场景。\n\n1. **下载预训练模型**：\n   ```bash\n   cd models\u002Fmpii\n   .\u002Fdownload_models.sh\n   cd -\n   ```\n\n2. **运行演示**：\n   ```bash\n   TF_CUDNN_USE_AUTOTUNE=0 python3 demo\u002Fsingleperson.py\n   ```\n\n### 模式二：多人姿态估计 (Multiple People)\n适用于图像中包含多个人的复杂场景。\n\n1. **编译依赖项**：\n   ```bash\n   .\u002Fcompile.sh\n   ```\n\n2. **下载预训练模型**：\n   ```bash\n   cd models\u002Fcoco\n   .\u002Fdownload_models.sh\n   cd -\n   ```\n\n3. **运行演示**：\n   ```bash\n   TF_CUDNN_USE_AUTOTUNE=0 python3 demo\u002Fdemo_multiperson.py\n   ```\n\n运行成功后，程序将加载默认图片并进行人体关键点检测，输出可视化结果。如需训练自定义模型，请参考 `models\u002FREADME.md` 中的详细指令。","某体育科技团队正在开发一套基于视频的智能健身动作纠正系统，需要实时分析用户锻炼时的骨骼关键点以评估动作标准度。\n\n### 没有 pose-tensorflow 时\n- 开发人员需从零复现复杂的深度学习论文算法，耗费数周时间调试多人员遮挡下的关节识别逻辑。\n- 在多人同时锻炼的场景中，传统简单模型无法区分不同个体的骨骼数据，导致动作分析完全混乱。\n- 缺乏成熟的 TensorFlow 集成方案，模型推理速度缓慢，无法满足视频流实时反馈的性能要求。\n- 手动标注训练数据成本极高，且难以覆盖各种复杂光照和角度的健身场景。\n\n### 使用 pose-tensorflow 后\n- 直接调用基于 DeeperCut 和 ArtTrack 论文的预训练模型，半天内即可搭建起高精度的单人及多人姿态估计服务。\n- 利用其强大的多人员追踪能力，准确分离并标记健身房中多位用户的骨骼关键点，互不干扰。\n- 依托 TensorFlow 框架的优化，显著提升了推理效率，实现了流畅的实时动作捕捉与纠错提示。\n- 借助开源社区验证过的模型权重，大幅降低了对特定场景标注数据的依赖，快速适配不同健身动作。\n\npose-tensorflow 将原本需要数月研发的核心视觉算法转化为可立即集成的模块，让团队能专注于业务逻辑而非底层模型构建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feldar_pose-tensorflow_e0e01545.png","eldar","Eldar Insafutdinov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Feldar_cebe7ee5.jpg",null,"Oxford, UK","e.insafutdinov@gmail.com","https:\u002F\u002Feldar.insafutdinov.com\u002F","https:\u002F\u002Fgithub.com\u002Feldar",[81,85,89,93,97,101],{"name":82,"color":83,"percentage":84},"C++","#f34b7d",84.2,{"name":86,"color":87,"percentage":88},"Python","#3572A5",13.1,{"name":90,"color":91,"percentage":92},"MATLAB","#e16737",1.7,{"name":94,"color":95,"percentage":96},"C","#555555",0.9,{"name":98,"color":99,"percentage":100},"Shell","#89e051",0.1,{"name":102,"color":103,"percentage":104},"Makefile","#427819",0,1143,380,"2026-04-04T14:26:02","LGPL-3.0","未说明","需要 NVIDIA GPU (通过 tensorflow-gpu)，具体型号和显存大小未说明，需设置 CUDA_VISIBLE_DEVICES 选择显卡",{"notes":112,"python":113,"dependencies":114},"建议使用 conda 管理环境。运行训练或预测脚本时，必须将环境变量 TF_CUDNN_USE_AUTOTUNE 设置为 0 以避免错误。多 GPU 环境下可通过 CUDA_VISIBLE_DEVICES 指定显卡。单人姿态估计使用 MPII 模型，多人姿态估计使用 COCO 模型（需编译依赖）。","3.6",[115,116,117,118,119,120,121,122,123,124],"tensorflow-gpu","numpy","scikit-image","pillow","scipy","pyyaml","matplotlib","cython","easydict","munkres",[14],[127,128,129],"tensorflow","pose-estimation","deep-learning","2026-03-27T02:49:30.150509","2026-04-18T22:33:41.726147",[133,138,143,148,153,158],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},41003,"加载模型时出现 'OutOfRangeError: Read less bytes than requested' 错误是什么原因？","这个错误明确表示预训练的模型文件已损坏或不完整（例如下载过程中断）。解决方案是删除现有的模型文件（通常在 `models\u002F` 目录下），然后重新运行下载脚本或手动重新下载所有模型文件。下载完成后，建议校验文件的 MD5 值以确保完整性。","https:\u002F\u002Fgithub.com\u002Feldar\u002Fpose-tensorflow\u002Fissues\u002F62",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},40999,"运行代码时出现 'ValueError: scale cannot be an integer: False' 错误怎么办？","这通常是因为使用了包含 bug 的旧版本代码或分支。该错误源于 `resnet_v1.resnet_arg_scope(False)` 的调用方式。请确保你使用的是该项目仓库中已修复的最新版本代码。如果你是从其他派生仓库（fork）克隆的代码，请尝试切换回主仓库的最新版本，或者手动检查并修复相关参数传递问题。","https:\u002F\u002Fgithub.com\u002Feldar\u002Fpose-tensorflow\u002Fissues\u002F54",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},41000,"该项目支持 CPU 模式运行吗？","目前主要支持 GPU 模式。多人姿态估计代码包含通过 Python 接口的 C++ 代码，虽然代码本身是跨平台的，但构建指令（如 `compile.sh`）是针对 Linux 系统的。如果需要在其他平台（如 Windows）运行，你需要使用 Cython 自行编译代码，并可能需要修改构建脚本以适应你的操作系统。","https:\u002F\u002Fgithub.com\u002Feldar\u002Fpose-tensorflow\u002Fissues\u002F7",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},41001,"遇到 'Check failed: PyBfloat16_Type.tp_base != nullptr' 或 numpy API 版本不匹配错误如何解决？","这是由 TensorFlow 和 NumPy 版本不兼容引起的。TensorFlow 1.13+ 通常需要 NumPy >= 1.16。解决方法是卸载当前的 NumPy 并重新安装最新版本。请执行以下命令：\n1. `pip uninstall numpy`\n2. `pip install numpy` (这将安装最新版)\n即使系统提示可能存在不兼容，升级到最新版的 NumPy 通常能解决此崩溃问题。","https:\u002F\u002Fgithub.com\u002Feldar\u002Fpose-tensorflow\u002Fissues\u002F68",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},41002,"运行 demo 时出现 'ImportError: No module named nnet' 错误？","这通常是因为当前工作目录不正确。请确保你在项目的根目录下运行命令，而不是在 `demo` 子目录中。Python 需要能够找到 `nnet` 模块，该模块位于根目录中。此外，如果是在下载模型后出现此问题，请确认模型文件是否完整下载，有时文件损坏也会导致加载过程异常中断从而引发导入错误。","https:\u002F\u002Fgithub.com\u002Feldar\u002Fpose-tensorflow\u002Fissues\u002F21",{"id":159,"question_zh":160,"answer_zh":161,"source_url":157},41004,"如何验证下载的模型文件是否完整？","你可以使用 `md5sum` 命令来检查模型文件的哈希值是否与官方提供的一致。例如，对于 COCO 数据集的 ResNet-101 模型，正确的校验和应如下所示：\n- `6ac5e65465b72cc49ac6328e6b0b573c models\u002Fcoco\u002Fcoco-resnet-101.data-00000-of-00001`\n- `6860d6a15735c5b81aabf0d18ec36c20 models\u002Fcoco\u002Fcoco-resnet-101.index`\n- `a9548d0a6f3ac07e3c7408ea80da317a models\u002Fcoco\u002Fcoco-resnet-101.meta`\n如果不一致，请重新下载文件。",[]]