[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-evilgix--Evil":3,"tool-evilgix--Evil":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":23,"env_os":100,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":110,"github_topics":111,"view_count":23,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":118,"updated_at":119,"faqs":120,"releases":126},3717,"evilgix\u002FEvil","Evil","Optical Character Recognition in Swift for iOS&macOS.      银行卡、身份证、门牌号光学识别","Evil 是一款专为 iOS 和 macOS 平台打造的开源光学字符识别（OCR）工具，由 Swift 语言编写。它主要解决了移动端应用中特定场景下的文字提取难题，尤其擅长精准识别中国二代身份证号码、银行卡号以及门牌号等关键信息，帮助开发者快速实现证件与卡片的自动化录入功能。\n\n这款工具非常适合 iOS\u002FmacOS 应用开发者使用。其核心技术亮点在于深度集成了苹果原生的 Vision 框架与 Core ML 机器学习能力。Evil 不仅提供了预训练好的高精度模型，支持直接调用，还具备灵活的模型加载机制：开发者既可以将模型文件本地打包，也支持在运行时从服务器动态下载，有效平衡了应用体积与识别需求。此外，项目开放了模型训练指南，允许有进阶需求的团队针对特定场景自定义训练模型。作为一款轻量级且高效的解决方案，Evil 让复杂的 OCR 功能在苹果生态中变得简单易用，是构建智能扫描类应用的理想选择。","\n\u003Cp align=\"center\">\n  \u003Cimg src=\".images\u002Flogo.png\" height=\"140\" \u002F>\n  \u003Ch3 align=\"center\">Evil\u003C\u002Fh3>\n  \u003Cp align=\"center\">Optical Character Recognition in Swift for iOS&macOS.\u003C\u002Fp>\n  \u003Cp align=\"center\">\n  \t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Ftravis-ci.org\u002Fevilgix\u002FEvil.svg?branch=master\">\u003C\u002Fa>\n\t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fcocoapods\u002Fv\u002FEvil.svg\">\u003C\u002Fa>\n    \t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCarthage\u002FCarthage\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCarthage-compatible-4BC51D.svg?style=flat\">\u003C\u002Fa>\n  \t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fcocoapods\u002Fp\u002FEvil.svg?style=flat\">\u003C\u002Fa>\n\t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fqq群-641256202-ff6964.svg\">\u003C\u002Fa>\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\n\n---\n\n![debug image](.images\u002Fevil-debug.png)\n\n图片来自于网络，侵删\n\n##  Requirements\n\n - iOS 11.0+ \u002F macOS 10.13+\n - Xcode9.2+\n - Swift 4.0+\n\n## [Installation](installation.md)\n\n## Basic Usage\n\nEvil 使用 [Vision](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fvision) 框架进行文字识别，因此你需要导入特定的[MLModel](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fcoreml\u002Fmlmodel)到你的Xcode工程。例如识别身份证导入识别身份证的model，识别银行卡导入识别银行卡的model。\n\n以下是目前已经训练好的模型\n\n - ChineseIDCard ==>  [🇨🇳中国二代身份证号码识别](http:\u002F\u002Fou5pk1mdu.bkt.clouddn.com\u002FChineseIDCard.mlmodel)\n\n### 如何导入\n\n首先从上面的地址下载或者自己训练得到模型文件(`*.mlmodel`)，然后作为resource资源加入项目。但是模型文件size一般都比较大因此Evil还支持另外一种方式即：运行时从指定的服务器下载对应的模型。\n\n 1.  获取对应的模型文件并重名命名为`[name].mlmodel` \n     `[name]`可通过以下方法获取`print(Recognizer.chineseIDCard.name)`\n2. 将模型文件上传至自己的服务器或者CDN并获取下载链接\n3. 在`info.plist` 中配置下载链接如下\n\n![info.plist](.images\u002Fevil-download.png)\n\n### 初始化\n\n``` Swift\nlazy var evil = try? Evil(recognizer: .chineseIDCard)\n```\n\n或者 手动指定下载路径\n\n``` Swift\nlet downloadURL = URL(string: \"https:\u002F\u002F****\u002FChineseIDCard.mlmodel\")!\nlet chineseIDCard = Recognizer.custom(name: \"ChineseIDCard\", model: downloadURL, needComplie: true, processor: Recognizer.cropChineseIDCardNumberArea)\nlet evil = try? Evil(recognizer: chineseIDCard)\n```\n\n或者直接将模型文件拖入 xcode 项目\n``` Swift\nlet url = Bundle.main.url(forResource: \"ChineseIDCard\", withExtension: \"mlmodelc\")!\nlet evil = try? Evil(contentsOf: url, name: \"ChineseIDCard\")\n```\n注意Extension 为`mlmodelc`而不是`mlmodel`因为xcode会自动编译`mlmodel`文件，并且生成对应的`class`. 所以请务必注意Model文件不要和现有的`class`重名。\n\n### 开始识别\n\n``` Swift\nlet image: Recognizable = .....\nlet result = evil?.recognize(image)\nprint(result)\n```\n\n## 训练模型\n参考Tools 目录下`PrepareBot`项目  \n参考博文[掘金](https:\u002F\u002Fjuejin.im\u002Fpost\u002F5a76ada6f265da4e9d220727)\n\n## 交流讨论\n\t1.github issue (推荐)\n\t2.qq 群：641256202\n\n## LICENSE\n\t MIT\n\nCopyright 2018 - 2019 Kevin.Gong aoxianglele#icloud.com\n","\u003Cp align=\"center\">\n  \u003Cimg src=\".images\u002Flogo.png\" height=\"140\" \u002F>\n  \u003Ch3 align=\"center\">Evil\u003C\u002Fh3>\n  \u003Cp align=\"center\">适用于 iOS 和 macOS 的 Swift 光学字符识别。\u003C\u002Fp>\n  \u003Cp align=\"center\">\n  \t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Ftravis-ci.org\u002Fevilgix\u002FEvil.svg?branch=master\">\u003C\u002Fa>\n\t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fcocoapods\u002Fv\u002FEvil.svg\">\u003C\u002Fa>\n    \t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCarthage\u002FCarthage\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCarthage-compatible-4BC51D.svg?style=flat\">\u003C\u002Fa>\n  \t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fcocoapods\u002Fp\u002FEvil.svg?style=flat\">\u003C\u002Fa>\n\t\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fqq群-641256202-ff6964.svg\">\u003C\u002Fa>\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\n\n---\n\n![debug image](.images\u002Fevil-debug.png)\n\n图片来自于网络，侵删\n\n##  需求\n\n - iOS 11.0+ \u002F macOS 10.13+\n - Xcode 9.2+\n - Swift 4.0+\n\n## [安装](installation.md)\n\n## 基本用法\n\nEvil 使用 [Vision](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fvision) 框架进行文字识别，因此你需要导入特定的[MLModel](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fcoreml\u002Fmlmodel)到你的Xcode工程。例如识别身份证导入识别身份证的model，识别银行卡导入识别银行卡的model。\n\n以下是目前已经训练好的模型\n\n - ChineseIDCard ==>  [🇨🇳中国二代身份证号码识别](http:\u002F\u002Fou5pk1mdu.bkt.clouddn.com\u002FChineseIDCard.mlmodel)\n\n### 如何导入\n\n首先从上面的地址下载或者自己训练得到模型文件(`*.mlmodel`)，然后作为resource资源加入项目。但是模型文件size一般都比较大因此Evil还支持另外一种方式即：运行时从指定的服务器下载对应的模型。\n\n 1.  获取对应的模型文件并重名命名为`[name].mlmodel` \n     `[name]`可通过以下方法获取`print(Recognizer.chineseIDCard.name)`\n2. 将模型文件上传至自己的服务器或者CDN并获取下载链接\n3. 在`info.plist` 中配置下载链接如下\n\n![info.plist](.images\u002Fevil-download.png)\n\n### 初始化\n\n``` Swift\nlazy var evil = try? Evil(recognizer: .chineseIDCard)\n```\n\n或者 手动指定下载路径\n\n``` Swift\nlet downloadURL = URL(string: \"https:\u002F\u002F****\u002FChineseIDCard.mlmodel\")!\nlet chineseIDCard = Recognizer.custom(name: \"ChineseIDCard\", model: downloadURL, needComplie: true, processor: Recognizer.cropChineseIDCardNumberArea)\nlet evil = try? Evil(recognizer: chineseIDCard)\n```\n\n或者直接将模型文件拖入 xcode 项目\n``` Swift\nlet url = Bundle.main.url(forResource: \"ChineseIDCard\", withExtension: \"mlmodelc\")!\nlet evil = try? Evil(contentsOf: url, name: \"ChineseIDCard\")\n```\n注意Extension 为`mlmodelc`而不是`mlmodel`因为xcode会自动编译`mlmodel`文件，并且生成对应的`class`. 所以请务必注意Model文件不要和现有的`class`重名。\n\n### 开始识别\n\n``` Swift\nlet image: Recognizable = .....\nlet result = evil?.recognize(image)\nprint(result)\n```\n\n## 训练模型\n参考Tools 目录下`PrepareBot`项目  \n参考博文[掘金](https:\u002F\u002Fjuejin.im\u002Fpost\u002F5a76ada6f265da4e9d220727)\n\n## 交流讨论\n\t1.github issue (推荐)\n\t2.qq 群：641256202\n\n## LICENSE\n\t MIT\n\nCopyright 2018 - 2019 Kevin.Gong aoxianglele#icloud.com","# Evil 快速上手指南\n\nEvil 是一个基于 Swift 的 OCR（光学字符识别）库，专为 iOS 和 macOS 设计，利用 Apple Vision 框架和 Core ML 模型实现高精度文字识别（如身份证、银行卡等）。\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**：iOS 11.0+ \u002F macOS 10.13+\n- **开发工具**：Xcode 9.2+\n- **语言版本**：Swift 4.0+\n- **依赖框架**：Vision, CoreML\n\n## 安装步骤\n\n你可以通过 CocoaPods 或 Carthage 进行安装，也可以直接手动集成。\n\n### 方式一：CocoaPods（推荐）\n\n在项目的 `Podfile` 中添加：\n\n```ruby\npod 'Evil'\n```\n\n然后终端执行：\n\n```bash\npod install\n```\n\n### 方式二：Carthage\n\n在 `Cartfile` 中添加：\n\n```ruby\ngithub \"evilgix\u002FEvil\"\n```\n\n然后终端执行：\n\n```bash\ncarthage update --platform iOS\n```\n\n### 方式三：手动集成\n\n直接将源码拖入项目，或参考官方 Installation 文档。\n\n## 基本使用\n\nEvil 的核心逻辑是加载特定的 `.mlmodel` 模型文件进行识别。以下以**中国二代身份证识别**为例。\n\n### 1. 获取模型文件\n\n你需要下载预训练好的模型文件。\n- **国内加速下载**：[中国二代身份证号码识别模型 (ChineseIDCard.mlmodel)](http:\u002F\u002Fou5pk1mdu.bkt.clouddn.com\u002FChineseIDCard.mlmodel)\n\n### 2. 集成模型（三种方式任选其一）\n\n#### 方案 A：运行时动态下载（推荐，减小包体积）\n\n1. 将模型上传至你的服务器或 CDN。\n2. 在 `Info.plist` 中配置模型名称与下载链接的映射（参考 README 中的 `evil-download.png` 格式）。\n3. 代码初始化：\n\n```swift\nlazy var evil = try? Evil(recognizer: .chineseIDCard)\n```\n\n或者手动指定下载路径：\n\n```swift\nlet downloadURL = URL(string: \"https:\u002F\u002F****\u002FChineseIDCard.mlmodel\")!\nlet chineseIDCard = Recognizer.custom(name: \"ChineseIDCard\", model: downloadURL, needComplie: true, processor: Recognizer.cropChineseIDCardNumberArea)\nlet evil = try? Evil(recognizer: chineseIDCard)\n```\n\n#### 方案 B：本地资源集成\n\n1. 将下载的 `ChineseIDCard.mlmodel` 拖入 Xcode 项目（确保加入 Target）。\n2. Xcode 会自动将其编译为 `.mlmodelc` 格式。\n3. 代码初始化：\n\n```swift\n\u002F\u002F 注意：extension 使用 .mlmodelc，因为 Xcode 已自动编译\nlet url = Bundle.main.url(forResource: \"ChineseIDCard\", withExtension: \"mlmodelc\")!\nlet evil = try? Evil(contentsOf: url, name: \"ChineseIDCard\")\n```\n*注意：Model 文件名不要与项目中现有的 Class 名冲突。*\n\n### 3. 开始识别\n\n准备好图片对象（需符合 `Recognizable` 协议），调用识别方法：\n\n```swift\nlet image: Recognizable = ..... \u002F\u002F 替换为你的 UIImage 或 CGImage\nlet result = evil?.recognize(image)\nprint(result)\n```\n\n识别结果将包含提取出的文字信息。","某金融科技公司正在开发一款 iOS 端移动信贷 App，需要让用户通过拍摄身份证快速完成实名认证和信息录入。\n\n### 没有 Evil 时\n- 开发团队必须自行收集海量身份证样本数据，并投入大量时间训练 Core ML 模型，研发周期长达数周。\n- 需手动编写复杂的图像预处理代码来定位身份证号码区域，容易因光线或角度问题导致识别率低下。\n- 应用安装包体积臃肿，因为必须将庞大的模型文件直接打包进工程，无法根据业务需求动态加载。\n- 缺乏针对中文二代身份证的专用优化，通用 OCR 方案常出现字符混淆（如将\"0\"识别为\"O\"），需额外编写纠错逻辑。\n\n### 使用 Evil 后\n- 直接集成官方预训练的 `ChineseIDCard` 模型，无需从零训练，半天内即可完成身份证识别功能上线。\n- 内置专用的 `cropChineseIDCardNumberArea` 处理器，自动精准裁剪号码区域，显著提升复杂背景下的识别准确率。\n- 支持运行时从服务器动态下载模型文件，大幅减小初始安装包体积，并按需加载特定业务模型。\n- 基于 Apple Vision 框架深度优化，原生支持 Swift 调用，自动处理中文字符特征，无需额外开发纠错算法。\n\nEvil 让 iOS 开发者能以极低的成本，在应用中快速落地高精度、原生的中文证件识别能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fevilgix_Evil_54342361.png","evilgix","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fevilgix_0082de4a.png",null,"https:\u002F\u002Fgithub.com\u002Fevilgix",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Swift","#F05138",79.8,{"name":85,"color":86,"percentage":87},"Python","#3572A5",13.2,{"name":89,"color":90,"percentage":91},"Ruby","#701516",6.7,{"name":93,"color":94,"percentage":95},"Objective-C","#438eff",0.4,698,98,"2026-04-04T18:24:33","MIT","macOS, iOS","未说明",{"notes":103,"python":104,"dependencies":105},"该工具是基于 Swift 开发的 iOS\u002FmacOS 原生库，非 Python 项目。运行需 macOS 10.13+ 或 iOS 11.0+ 环境及 Xcode 9.2+。核心功能依赖 Apple Vision 框架和 Core ML 模型文件 (.mlmodel\u002F.mlmodelc)。使用时需自行下载或训练特定的识别模型（如身份证、银行卡），模型较大，支持运行时从服务器动态下载或直接打包进项目。","不适用 (基于 Swift)",[106,107,108,109],"Xcode 9.2+","Swift 4.0+","Apple Vision Framework","Core ML",[14,13],[112,113,114,115,116,117],"ocr","vision","machine-learning","swift4","keras","cnn-model","2026-03-27T02:49:30.150509","2026-04-06T05:17:29.807106",[121],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},17037,"哪里可以找到训练良好的通用文字 OCR mlmodel，用于快速处理视频流？","您可以参考 Apple 官方文档 [Get a core ml model](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fcoreml\u002Fgetting_a_core_ml_model?language=swift)。许多常用的网络模型都可以转换为所需的 `mlmodel` 格式，从而替代较慢的 Tesseract 进行视频流处理。","https:\u002F\u002Fgithub.com\u002Fevilgix\u002FEvil\u002Fissues\u002F1",[]]