[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-eragonruan--text-detection-ctpn":3,"tool-eragonruan--text-detection-ctpn":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"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":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":104,"env_os":105,"env_gpu":106,"env_ram":107,"env_deps":108,"category_tags":117,"github_topics":118,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":125,"updated_at":126,"faqs":127,"releases":157},5761,"eragonruan\u002Ftext-detection-ctpn","text-detection-ctpn","text detection mainly based on ctpn model in tensorflow, id card detect, connectionist text proposal network","text-detection-ctpn 是一款基于 TensorFlow 实现的开源文字检测工具，核心算法采用连接主义文本提议网络（CTPN）。它主要解决自然场景下水平文本的定位难题，能够精准识别图片中的文字区域并生成边界框。虽然项目以身份证检测为例进行演示，但其能力广泛适用于各类横向场景文字检测任务，如文档扫描、路牌识别等。\n\n这款工具特别适合具备一定编程基础的 AI 开发者、计算机视觉研究人员以及需要集成文字检测功能的技术团队使用。对于希望深入理解 CTPN 算法原理或进行二次开发的用户来说，它提供了完整的训练、评估和推理代码。\n\n其技术亮点在于完整复现了原论文的关键组件，包括双向长短期记忆网络（BLSTM）和独特的定向文本连接器，有效提升了长文本行的检测连贯性。此外，项目支持纯 Python 运行，同时也提供了高效的 CUDA 加速非极大值抑制（NMS）选项，兼顾了易用性与性能。用户既可以直接加载预训练模型快速体验推理效果，也可以利用提供的数据预处理脚本和训练流程，基于自定义数据集从头训练模型，灵活性极高。","# text-detection-ctpn\n\ntext detection mainly based on ctpn (connectionist text proposal network). It is implemented in tensorflow. I use id card detect as an example to demonstrate the results, but it should be noticing that this model can be used in almost every horizontal scene text detection task. The origin paper can be found [here](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.03605). Also, the origin repo in caffe can be found in [here](https:\u002F\u002Fgithub.com\u002Ftianzhi0549\u002FCTPN). For more detail about the paper and code, see this [blog](http:\u002F\u002Fslade-ruan.me\u002F2017\u002F10\u002F22\u002Ftext-detection-ctpn\u002F). If you got any questions, check the issue first, if the problem persists, open a new issue.\n***\n# roadmap\n- [x] freeze the graph for convenient inference\n- [x] pure python, cython nms and cuda nms\n- [x] loss function as referred in paper\n- [x] oriented text connector\n- [x] BLSTM\n***\n# demo\n- for a quick demo,you don't have to build the library, simpely use demo_pb.py for inference.\n- first, git clone git@github.com:eragonruan\u002Ftext-detection-ctpn.git --depth=1\n- then, download the pb file from [release](https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Freleases)\n- put ctpn.pb in data\u002F\n- put your images in data\u002Fdemo, the results will be saved in data\u002Fresults, and run demo in the root \n```shell\npython .\u002Fctpn\u002Fdemo_pb.py\n```\n***\n# parameters\nthere are some parameters you may need to modify according to your requirement, you can find them in ctpn\u002Ftext.yml\n- USE_GPU_NMS # whether to use nms implemented in cuda or not\n- DETECT_MODE # H represents horizontal mode, O represents oriented mode, default is H\n- checkpoints_path # the model I provided is in checkpoints\u002F, if you train the model by yourself,it will be saved in output\u002F\n***\n# training\n## setup\n- requirements: python2.7, tensorflow1.3, cython0.24, opencv-python, easydict,(recommend to install Anaconda)\n- if you do not have a gpu device,follow here to [setup](https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F43)\n- if you have a gpu device, build the library by\n```shell\ncd lib\u002Futils\nchmod +x make.sh\n.\u002Fmake.sh\n```\n## prepare data\n- First, download the pre-trained model of VGG net and put it in data\u002Fpretrain\u002FVGG_imagenet.npy. you can download it from [google drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F0B_WmJoEtfQhDRl82b1dJTjB2ZGc?resourcekey=0-OjW5DtLUbX5xUob7fwRvEw&usp=sharing) or [baidu yun](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kUNTl1l). \n- Second, prepare the training data as referred in paper, or you can download the data I prepared from [google drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F0B_WmJoEtfQhDRl82b1dJTjB2ZGc?resourcekey=0-OjW5DtLUbX5xUob7fwRvEw&usp=sharing) or [baidu yun](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kUNTl1l). Or you can prepare your own data according to the following steps. \n- Modify the path and gt_path in prepare_training_data\u002Fsplit_label.py according to your dataset. And run\n```shell\ncd lib\u002Fprepare_training_data\npython split_label.py\n```\n- it will generate the prepared data in current folder, and then run\n```shell\npython ToVoc.py\n```\n- to convert the prepared training data into voc format. It will generate a folder named TEXTVOC. move this folder to data\u002F and then run\n```shell\ncd ..\u002F..\u002Fdata\nln -s TEXTVOC VOCdevkit2007\n```\n## train \nSimplely run\n```shell\npython .\u002Fctpn\u002Ftrain_net.py\n```\n- you can modify some hyper parameters in ctpn\u002Ftext.yml, or just used the parameters I set.\n- The model I provided in checkpoints is trained on GTX1070 for 50k iters.\n- If you are using cuda nms, it takes about 0.2s per iter. So it will takes about 2.5 hours to finished 50k iterations.\n***\n# some results\n`NOTICE:` all the photos used below are collected from the internet. If it affects you, please contact me to delete them.\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_3a2247c915cd.jpg\" width=320 height=480 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_42a083de29d6.jpg\" width=320 height=480 \u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_58f8054f9e98.jpg\" width=320 height=480 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_0924dddced09.png\" width=320 height=320 \u002F>\n***\n## oriented text connector\n- oriented text connector has been implemented, i's working, but still need futher improvement.\n- left figure is the result for DETECT_MODE H, right figure for DETECT_MODE O\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_dffce6d2ad45.jpg\" width=320 height=240 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_a2e9d9e39adc.jpg\" width=320 height=240 \u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_42a083de29d6.jpg\" width=320 height=480 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_8637b25aed05.jpg\" width=320 height=480 \u002F>\n***\n","# 文本检测-CTPN\n\n文本检测主要基于 CTPN（连接主义文本建议网络）。该实现使用 TensorFlow。我以身份证检测为例展示结果，但需要注意的是，此模型几乎可用于所有水平场景下的文本检测任务。原始论文可在此处找到 [here](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.03605)。此外，基于 Caffe 的原始仓库可在 [here](https:\u002F\u002Fgithub.com\u002Ftianzhi0549\u002FCTPN) 找到。有关论文和代码的更多详细信息，请参阅此 [博客](http:\u002F\u002Fslade-ruan.me\u002F2017\u002F10\u002F22\u002Ftext-detection-ctpn\u002F)。如果您有任何问题，请先查看 Issues，若问题仍未解决，请新建一个 Issue。\n***\n# 路线图\n- [x] 冻结计算图以便于推理\n- [x] 纯 Python、Cython NMS 和 CUDA NMS\n- [x] 论文中提到的损失函数\n- [x] 有向文本连接器\n- [x] BLSTM\n***\n# 演示\n- 若要快速演示，无需构建库，直接使用 demo_pb.py 进行推理即可。\n- 首先，克隆仓库：git clone git@github.com:eragonruan\u002Ftext-detection-ctpn.git --depth=1\n- 然后，从 [release](https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Freleases) 下载 pb 文件\n- 将 ctpn.pb 放入 data\u002F 目录\n- 将您的图片放入 data\u002Fdemo 目录，结果将保存在 data\u002Fresults 中，然后在根目录下运行演示：\n```shell\npython .\u002Fctpn\u002Fdemo_pb.py\n```\n***\n# 参数\n根据您的需求，可能需要修改一些参数，这些参数可在 ctpn\u002Ftext.yml 中找到：\n- USE_GPU_NMS # 是否使用 CUDA 实现的 NMS\n- DETECT_MODE # H 表示水平模式，O 表示有向模式，默认为 H\n- checkpoints_path # 我提供的模型位于 checkpoints\u002F 目录中，如果您自行训练模型，则会保存在 output\u002F 目录中\n***\n# 训练\n## 准备工作\n- 系统要求：Python 2.7、TensorFlow 1.3、Cython 0.24、opencv-python、easydict，推荐安装 Anaconda。\n- 如果您没有 GPU 设备，请按照此处的说明进行 [设置](https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F43)。\n- 如果您有 GPU 设备，请通过以下命令构建库：\n```shell\ncd lib\u002Futils\nchmod +x make.sh\n.\u002Fmake.sh\n```\n## 准备数据\n- 首先，下载 VGG 网络的预训练模型，并将其放置在 data\u002Fpretrain\u002FVGG_imagenet.npy 中。您可以从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F0B_WmJoEtfQhDRl82b1dJTjB2ZGc?resourcekey=0-OjW5DtLUbX5xUob7fwRvEw&usp=sharing) 或 [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kUNTl1l) 下载。\n- 其次，按照论文中的方法准备训练数据，或者您可以从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F0B_WmJoEtfQhDRl82b1dJTjB2ZGc?resourcekey=0-OjW5DtLUbX5xUob7fwRvEw&usp=sharing) 或 [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kUNTl1l) 下载我准备好的数据。当然，您也可以按照以下步骤自行准备数据。\n- 根据您的数据集，修改 prepare_training_data\u002Fsplit_label.py 中的 path 和 gt_path，然后运行：\n```shell\ncd lib\u002Fprepare_training_data\npython split_label.py\n```\n- 这将生成当前目录下的准备数据，随后运行：\n```shell\npython ToVoc.py\n```\n- 将准备好的训练数据转换为 VOC 格式。这将生成一个名为 TEXTVOC 的文件夹，将其移动到 data\u002F 目录下，然后执行：\n```shell\ncd ..\u002F..\u002Fdata\nln -s TEXTVOC VOCdevkit2007\n```\n## 训练\n简单地运行：\n```shell\npython .\u002Fctpn\u002Ftrain_net.py\n```\n- 您可以在 ctpn\u002Ftext.yml 中调整一些超参数，或者直接使用我设定的参数。\n- 我在 checkpoints 目录中提供的模型是在 GTX1070 上训练了 50,000 次迭代得到的。\n- 如果使用 CUDA NMS，每次迭代大约需要 0.2 秒，因此完成 50,000 次迭代大约需要 2.5 小时。\n***\n# 部分结果\n`注意：` 下面使用的所有照片均来自互联网。如果对您造成影响，请联系我删除。\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_3a2247c915cd.jpg\" width=320 height=480 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_42a083de29d6.jpg\" width=320 height=480 \u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_58f8054f9e98.jpg\" width=320 height=480 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_0924dddced09.png\" width=320 height=320 \u002F>\n***\n## 有向文本连接器\n- 有向文本连接器已经实现并可以正常工作，但仍需进一步改进。\n- 左图为 DETECT_MODE 设置为 H 时的结果，右图为 DETECT_MODE 设置为 O 时的结果。\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_dffce6d2ad45.jpg\" width=320 height=240 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_a2e9d9e39adc.jpg\" width=320 height=240 \u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_42a083de29d6.jpg\" width=320 height=480 \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_readme_8637b25aed05.jpg\" width=320 height=480 \u002F>\n***","# text-detection-ctpn 快速上手指南\n\ntext-detection-ctpn 是一个基于 TensorFlow 实现的文本检测工具，核心算法为 CTPN（Connectionist Text Proposal Network）。该模型主要适用于水平场景的文本检测任务（如身份证识别），同时也支持倾斜文本检测。\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) 或 macOS\n*   **Python 版本**: Python 2.7\n*   **深度学习框架**: TensorFlow 1.3\n*   **其他依赖**:\n    *   Cython 0.24\n    *   opencv-python\n    *   easydict\n*   **硬件建议**: 推荐使用 NVIDIA GPU 以加速训练和推理（需安装 CUDA）。\n*   **环境管理**: 强烈建议使用 **Anaconda** 创建独立虚拟环境以避免依赖冲突。\n\n> **注意**：如果您没有 GPU 设备，请参考项目 Issue #43 进行 CPU 模式配置。\n\n## 安装步骤\n\n### 1. 克隆项目\n使用以下命令克隆仓库（仅下载最新提交以节省时间）：\n```shell\ngit clone git@github.com:eragonruan\u002Ftext-detection-ctpn.git --depth=1\ncd text-detection-ctpn\n```\n\n### 2. 安装 Python 依赖\n确保已安装上述要求的 Python 包。如果使用 pip：\n```shell\npip install tensorflow==1.3 cython==0.24 opencv-python easydict\n```\n\n### 3. 编译底层库 (GPU 用户必选)\n如果您拥有 GPU 并希望使用 CUDA 加速的 NMS（非极大值抑制），需要编译 C++ 扩展库：\n```shell\ncd lib\u002Futils\nchmod +x make.sh\n.\u002Fmake.sh\ncd ..\u002F..\n```\n*若无 GPU，可跳过此步，但推理速度会较慢。*\n\n### 4. 下载预训练模型\n为了直接运行演示，需要下载冻结后的模型文件 (`ctpn.pb`)：\n1.  访问 [Releases 页面](https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Freleases) 下载 `ctpn.pb`。\n2.  将下载的文件放入 `data\u002F` 目录下。\n\n*(可选) 如需从头训练，还需下载 VGG 预训练权重 (`VGG_imagenet.npy`) 放入 `data\u002Fpretrain\u002F`，并准备 VOC 格式的训练数据集。*\n\n## 基本使用\n\n完成上述安装后，您可以立即运行简单的文本检测演示。\n\n### 1. 准备测试图片\n将您需要检测的图片放入 `data\u002Fdemo` 目录中。\n\n### 2. 运行检测脚本\n在项目根目录下执行以下命令：\n```shell\npython .\u002Fctpn\u002Fdemo_pb.py\n```\n\n### 3. 查看结果\n检测完成后，结果图片将自动保存在 `data\u002Fresults` 目录中。图片中会用框线标出检测到的文本区域。\n\n### 参数调整 (进阶)\n如需修改检测模式或启用 GPU NMS，可编辑 `ctpn\u002Ftext.yml` 文件：\n*   `USE_GPU_NMS`: 设置为 `True` 以启用 CUDA NMS（需编译过库）。\n*   `DETECT_MODE`: \n    *   `H`: 水平模式（默认，适用于大多数场景）。\n    *   `O`: 倾斜模式（适用于有角度的文本）。\n*   `checkpoints_path`: 指定模型权重路径。","某金融科技公司正在开发一款移动端身份证自动录入功能，需要从用户拍摄的照片中精准提取文字区域以便后续识别。\n\n### 没有 text-detection-ctpn 时\n- 传统轮廓查找算法难以应对复杂背景，常将身份证花纹误判为文字，导致识别框杂乱无章。\n- 面对用户手抖造成的轻微倾斜或弯曲文字，常规方法无法有效连接断裂的字符，造成信息遗漏。\n- 开发人员需耗费大量时间手动调整阈值和形态学参数，且在不同光照条件下鲁棒性极差。\n- 在移动端部署时，缺乏高效的推理优化方案，导致检测延迟高，用户体验卡顿。\n\n### 使用 text-detection-ctpn 后\n- 基于 CTPN 模型能精准定位水平文本行，有效过滤背景噪声，只保留身份证上的关键文字区域。\n- 特有的定向文本连接机制（oriented text connector）完美拼接被遮挡或倾斜的字符，显著提升召回率。\n- 模型泛化能力强，无需针对每张图微调参数，即可适应室内弱光、强光反射等多种拍摄场景。\n- 支持冻结图（frozen graph）推理及 CUDA 加速 NMS，大幅降低计算耗时，满足实时交互需求。\n\ntext-detection-ctpn 通过深度学习架构解决了传统算法在复杂场景下文本定位不准的难题，让证件信息采集变得高效且可靠。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feragonruan_text-detection-ctpn_3a2247c9.jpg","eragonruan","Shaohui Ruan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Feragonruan_dc62b531.jpg","Interested in machine learning & computer vision",null,"shanghai","http:\u002F\u002Fslade-ruan.me","https:\u002F\u002Fgithub.com\u002Feragonruan",[81,85,89,93,97],{"name":82,"color":83,"percentage":84},"Python","#3572A5",91.5,{"name":86,"color":87,"percentage":88},"Cython","#fedf5b",5.2,{"name":90,"color":91,"percentage":92},"Cuda","#3A4E3A",3.2,{"name":94,"color":95,"percentage":96},"C++","#f34b7d",0.1,{"name":98,"color":99,"percentage":96},"Shell","#89e051",3437,1320,"2026-04-02T08:36:02","MIT",4,"Linux","非必需（无 GPU 可运行 CPU 模式），若有 GPU 需支持 CUDA；示例训练使用 GTX1070","未说明",{"notes":109,"python":110,"dependencies":111},"建议使用 Anaconda 管理环境。若使用 GPU 加速的 NMS（非极大值抑制），需在 lib\u002Futils 目录下运行 make.sh 编译 C++\u002FCUDA 扩展。推理可直接使用冻结图（.pb 文件）无需编译。训练数据需转换为 VOC 格式，且需预先下载 VGG ImageNet 预训练权重。","2.7",[112,113,114,115,116],"tensorflow==1.3","cython==0.24","opencv-python","easydict","numpy",[14,15],[119,120,121,122,123,124],"text-detection","tensorflow","ctpn","id-card","ocr","robust-reading","2026-03-27T02:49:30.150509","2026-04-09T10:12:52.113683",[128,133,138,143,148,152],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},26134,"训练模型后无法检测到任何文本（结果为空），如何解决？","可以尝试调整参数 MAX_HORIZONTAL_GAP，将其从默认值 50 增大到 60 或更大。此外，请检查配置文件 text.yml 中的 checkpoints_path 设置：注释掉默认的 'checkpoints\u002F' 路径，并将其修改为实际训练输出路径，例如 'output\u002Fctpn_end2end\u002Fvoc_2007_trainval'，然后重新运行 demo.py。","https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F29",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},26135,"如何加速模型训练过程？","有两个主要方法可以显著减少训练时间：1. 使用 Cython 优化 argmax 操作，因为默认的 numpy argmax 在非最后轴上操作时会复制大量数据，消耗大量 CPU 时间；2. 减少 anchor 的数量，原始代码使用了 10 个不同大小的 anchor，如果应用场景中文本高度相对固定，可以减少到 3 个以降低计算维度（注意代码中有多处硬编码了 anchor 数量，需一并修改）。","https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F12",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},26136,"如何将模型导出以便在 Tensorflow Serving 中部署？","可以通过加载预训练的 .pb 文件或 ckpt 文件来构建 SavedModel。关键步骤包括：加载 graph_def，定义输入输出签名（inputs 通常为 'Placeholder:0'，outputs 根据具体网络层确定），然后使用 tf.saved_model.builder.SavedModelBuilder 保存。如果遇到 'Op type not registered PyFunc' 错误，需要从 networks\u002FVGGnet_test.py 中移除包含 proposal_layer_py 的代码行，因为 PyFunc 操作不被 TF Serving 支持。","https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F134",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},26137,"如何提高对小字号文本的检测性能？","Anchor 的宽度由选择的特征层决定，不能随意设置为任意值（如 10）。对于 VGG 网络，conv5_3 层对应的 anchor 宽度为 16，conv4_3 层对应的为 8。虽然原作者未尝试过 ResNet，但社区建议可以尝试使用 ResNet 替代 VGG16 作为骨干网络，可能会在小目标检测上表现更好。","https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F52",{"id":149,"question_zh":150,"answer_zh":151,"source_url":137},26138,"代码是否实现了双向 LSTM (BiLSTM)？","根据代码实现分析，该项目主要实现了单向 LSTM 而非双向 LSTM (BiLSTM)。如果在其他框架（如 Caffe）中添加 LSTM 导致不收敛，可以参考此项目的 TensorFlow 实现逻辑。",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},26139,"在将代码从 Python 2 迁移到 Python 3 时遇到 'KeyError: b'TEST'' 错误怎么办？","该错误通常与 Python 2 和 3 之间字符串字节处理差异有关，特别是在涉及 PyFunc 操作时。虽然具体修复代码未在评论中完整展示，但此类问题通常需要检查配置字典的键是否为字节类型（b'TEST' vs 'TEST'），并确保在 Python 3 环境下所有字符串输入输出的一致性。建议检查 fast_rcnn\u002Fconfig.py 及相关测试脚本中的配置加载逻辑。","https:\u002F\u002Fgithub.com\u002Feragonruan\u002Ftext-detection-ctpn\u002Fissues\u002F7",[158],{"id":159,"version":160,"summary_zh":161,"released_at":162},163526,"untagged-48d74c6337a71b6b5f87","发布代码  \n发布在 MLT 数据集上训练的模型和检查点","2018-06-26T12:42:19"]